Pedestrian Tracking with Monocular Camera using Unconstrained 3D Motion Model

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F24%3A43973069" target="_blank" >RIV/49777513:23520/24:43973069 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.23919/FUSION59988.2024.10706432" target="_blank" >https://doi.org/10.23919/FUSION59988.2024.10706432</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.23919/FUSION59988.2024.10706432" target="_blank" >10.23919/FUSION59988.2024.10706432</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Pedestrian Tracking with Monocular Camera using Unconstrained 3D Motion Model

Popis výsledku v původním jazyce

A first-principle single-object model is proposed for pedestrian tracking. It is assumed that the extent of the moving object can be described via known statistics in 3D, such as pedestrian height. The proposed model thus need not constrain the object motion in 3D to a common ground plane, which is usual in 3D visual tracking applications. A nonlinear filter for this model is implemented using the unscented Kalman filter (UKF) and tested using the publicly available MOT-17 dataset. The proposed solution yields promising results in 3D while maintaining excellent results when projected into the 2D image. Moreover, the estimation error covariance matches the true one. Unlike conventional methods, the introduced model parameters have convenient meaning and can readily be adjusted for a problem.

Název v anglickém jazyce

Pedestrian Tracking with Monocular Camera using Unconstrained 3D Motion Model

Popis výsledku anglicky

A first-principle single-object model is proposed for pedestrian tracking. It is assumed that the extent of the moving object can be described via known statistics in 3D, such as pedestrian height. The proposed model thus need not constrain the object motion in 3D to a common ground plane, which is usual in 3D visual tracking applications. A nonlinear filter for this model is implemented using the unscented Kalman filter (UKF) and tested using the publicly available MOT-17 dataset. The proposed solution yields promising results in 3D while maintaining excellent results when projected into the 2D image. Moreover, the estimation error covariance matches the true one. Unlike conventional methods, the introduced model parameters have convenient meaning and can readily be adjusted for a problem.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/EH22_008%2F0004590" target="_blank" >EH22_008/0004590: Robotika a pokročilá průmyslová výroba</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2024 27th International Conference on Information Fusion (FUSION)

ISBN

978-1-73774-976-9

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

—

Název nakladatele

IEEE

Místo vydání

Venice

Místo konání akce

Venice, Italy

Datum konání akce

7. 7. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001334560000160