Improving trajectory continuity in drone-based crowd monitoring using a set of minimal-cost techniques and deep discriminative correlation filters

要約

ドローンベースの群衆監視は、監視、公共の安全、イベント管理におけるアプリケーションのための重要な技術です。
ただし、追跡の継続性と一貫性を維持することは依然として重要な課題です。
従来の検出回収追跡方法は、誤検知、偽陰性、および頻繁なアイデンティティスイッチとの闘いであり、劣化したカウントの精度と詳細な分析を不可能にします。
このペーパーでは、ドローンベースの群衆監視における軌道の連続性とカウントの信頼性をカウントするポイント指向のオンライン追跡アルゴリズムを紹介します。
当社の方法は、シンプルなオンラインおよびリアルタイムトラッキング（並べ替え）フレームワークに基づいて、元の境界ボックス割り当てをポイントダイスタンスメトリックに置き換えます。
このアルゴリズムは、カメラのモーション補償、高度認識の割り当て、および分類ベースの軌道検証の3つの費用対効果の高い手法で強化されています。
さらに、ニューラルネットワークリソース共有を介して計算効率を向上させるために、ローカリゼーションアルゴリズムから空間機能マップを再利用する深い識別相関フィルター（DDCF）が統合され、ノイズを減らし、見逃した検出を処理することによりオブジェクト追跡を改良します。
提案された方法は、DroneCrowdおよび新たに共有されたアップトラックデータセットで評価され、メトリックの追跡の大幅な改善を示し、カウントエラーをそれぞれ23％と15％に減らします。
また、結果は、高い追跡精度、ベースラインのオンライントラッカーを上回る、さらにはオフラインの貪欲な最適化方法を維持しながら、アイデンティティスイッチの大幅な削減を示しています。

要約(オリジナル)

Drone-based crowd monitoring is the key technology for applications in surveillance, public safety, and event management. However, maintaining tracking continuity and consistency remains a significant challenge. Traditional detection-assignment tracking methods struggle with false positives, false negatives, and frequent identity switches, leading to degraded counting accuracy and making in-depth analysis impossible. This paper introduces a point-oriented online tracking algorithm that improves trajectory continuity and counting reliability in drone-based crowd monitoring. Our method builds on the Simple Online and Real-time Tracking (SORT) framework, replacing the original bounding-box assignment with a point-distance metric. The algorithm is enhanced with three cost-effective techniques: camera motion compensation, altitude-aware assignment, and classification-based trajectory validation. Further, Deep Discriminative Correlation Filters (DDCF) that re-use spatial feature maps from localisation algorithms for increased computational efficiency through neural network resource sharing are integrated to refine object tracking by reducing noise and handling missed detections. The proposed method is evaluated on the DroneCrowd and newly shared UP-COUNT-TRACK datasets, demonstrating substantial improvements in tracking metrics, reducing counting errors to 23% and 15%, respectively. The results also indicate a significant reduction of identity switches while maintaining high tracking accuracy, outperforming baseline online trackers and even an offline greedy optimisation method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google