Evaluierung von Person Tracking Algorithmen auf Tiefendaten

Status: vergeben
Supervisors: Rainer Planinc, Sebastian Zambanini

Problemstellung

Tiefendaten vereinfachen das Problem des Person Trackings in Videos durch eine deutlichere Unterscheidbarkeit von Vorder- und Hintergund der Szene. In den letzten Jahren wurden zahlreiche Methoden vorgestellt, die aber alle für bestimmte Szenarien gedacht sind und auch dahingehend evaluiert wurden. Es gibt jedoch eine Vielzahl von Parametern, die die Performance beim Person Tracking beinflussen (Verdeckungen, Qualität des Tiefenbilds, Framerate, Camera Viewpoint…). Der Einsatz von Tiefenbildkameras im Heimbereich ist dabei ein Spezialbereich, der noch nicht ausreichend untersucht wurde.
3d person

Zielsetzung

In dieser Arbeit soll die Eignung bestehender Tracking Algorithmen für den Einsatz im Heimbereich untersucht werden. In einer ersten Phase soll der Bestand an öffentlich zugänglichen Datensätzen umfassend recherchiert werden. Geignete Datensätze sollen ausgewählt und mit eigenen Aufnahmen ergänzt werden. Bestehende Tracking Algorithmen sollen daraufhin auf diesem Datensatz bezüglich für den Heimbereich relevanter Parameter evaluiert werden.

Workflow

Literaturrecherche – Datensätze, Metriken und Methoden f. Person Tracking auf Tiefendaten
Datensatzerstellung
Evaluierung
Schriftliche Arbeit und Abschlusspräsentation

Requirements

Matlab, or C++ and OpenCV

Literatur

Ikemura, Sho, and Hironobu Fujiyoshi. “Real-time human detection using relational depth similarity features.” Asian Conference on Computer Vision. Springer Berlin Heidelberg, 2010.

Xia, Lu, Chia-Chih Chen, and Jake K. Aggarwal. “Human detection using depth information by kinect.” CVPR 2011 WORKSHOPS. IEEE, 2011.

Liu, Jun, et al. “Detecting and tracking people in real time with RGB-D camera.” Pattern Recognition Letters 53 (2015): 16-23.