Multi-Camera People Detection and Tracking

Pedestrian detection and tracking are essential problems in the field of computer vision, having a wide range of applications in surveillance, security, autonomous driving and robotics areas. Although people detection and tracking are generally considered widely-used technologies currently, however, occlusions still remain a major challenge. In this paper, we propose an approach to improve the detection and tracking performance in multi-camera scenarios with overlapping field-of-views, which allows for better handling of occlusion problem. It mainly includes monocular people detection, projection, fusion, probabilistic occupancy map generation and multi-object tracking steps. Evaluations for detection and tracking on WILDTRACK dataset have been implemented and the results indicate that our approach outperforms state-of-the-art deep learning methods which haven’t been trained on WILDTRACK.Fotgängarnas upptäckt och spårning är väsentliga problem inom datorsynen och har ett brett spektrum av applikationer inom övervakning, säkerhet, autonom körning och robotikområden. Även om människors upptäckt och spårning allmänt betraktas som allmänt använd teknik för närvarande, förblir dock ocklusioner en stor utmaning. I det här förslaget föreslår vi en metod för att förbättra upptäcktoch spårningsprestanda i multikamerascenarier med överlappande synfält, vilket möjliggör bättre hantering av ocklusionsproblem. Det inkluderar främst monokulära människors upptäckt, projicering, fusion, probabilistisk kartläggning av kartong och spårning av flera objekt. Utvärderingar för upptäckt och spårning på WILDTRACK-datasats har implementerats och resultaten indikerar att vår strategi överträffar toppmodern djupinlärningsmetoder som inte har utbildats på WILDTRACK