Pedestrian Detection based on Local Experts
Javier Marín Tur · TDX (Tesis Doctorals en Xarxa) · 2013
Al llarg dels darrers anys, els sistemes de deteccio humana basats en visio per computador han comencat a exercir un paper clau en diverses aplicacions lligades a l’assistencia a la conduccio, la videovigilancia, la robotica i la domotica. Detectar persones es, sens cap dubte, una de les tasques mes dificils en el camp de la Visio per Computador. Aixo es deu principalment al grau de variabilitat en l’aparenc¸a humana associada a la roba, postura, forma i grandaria. A mes, altres factors com escenaris amb molts elements, oclusions parcials o condicions ambientals poden fer que la tasca de deteccio sigui encara mes dificil. Els metodes mes prometedors a l’estat de la q¨uestio es basen en models d’aprenentatge discriminatius que son entrenats amb exemples positius (vianants) i negatius (no vianants). El conjunt d’entrenament es un dels elements mes rellevants a l’hora de construir un detector que faci front a la citada gran variabilitat. Per tal de crear el conjunt d’entrenament es requereix supervisio humana. L’inconvenient en aquest punt es el gran esforc¸ que suposa haver d’anotar, aixi com la tasca de cercar l’esmentada variabilitat. En aquesta tesi abordem dos problemes recurrents a l’estat de la q¨uestio. En la primera etapa, es preten reduir l’esforc¸ d’anotar mitjanc¸ant l’us de grafics per computador. Mes concretament, desenvolupemun escenari urba permes endavant generar un conjunt d’entrenament. Tot seguit, entrenem un detector usant aquest conjunt, i finalment, avaluem si aquest detector pot ser aplicat amb exit en un escenari real. En la segona etapa, ens centrem en millorar la robustesa dels nostres detectors en el cas en que els vianants es trobin parcialment ocluids. Mes concretament, presentem un nou metode de tractament d’oclusions que consisteix en millorar la deteccio de sistemes holistics en cas de trobar un vianant parcialment ocluid. Per dur a terme aquesta millora, fem us de classificadors (experts) locals a traves d’un metode anomenat random subspace method (RSM). Si el sistema holistic infereix que hi ha un vianant parcialment ocluid, aleshores s’aplica el RSM, el qual ha estat entrenat previament amb un conjunt que contenia vianants parcialment ocluids. L’ultim objectiu d’aquesta tesi es proposar un detector de vianants fiable basat en un conjunt d’experts locals. Per aconseguir aquest objectiu, utilitzem el metode anomenat random forest, a on els arbres es combinen per classificar i cada node es un expert local. En particular, cada expert local es centra en realitzar una classificacio robusta de zones del cos. Cal remarcar, a mes, que el nostre metode presenta molta menys complexitat a nivell de disseny que altres metodes de l’estat de la q¨uestio, alhora que ofereix una eficiencia computacional raonable i una major precisio.