Details
| Titel in Übersetzung | Personenwiedererkennung in einem Fischaugenkameranetzwerk mit unterschiedlichen Blickrichtungen |
|---|---|
| Originalsprache | Englisch |
| Seiten (von - bis) | 263-274 |
| Seitenumfang | 12 |
| Fachzeitschrift | PFG - Journal of Photogrammetry, Remote Sensing and Geoinformation Science |
| Jahrgang | 87 |
| Ausgabenummer | 5-6 |
| Publikationsstatus | Veröffentlicht - 28 Okt. 2019 |
Abstract
Sicherheitskamera- und der Automatisierungstechnik sowie der Analyse von Kaufverhalten in Geschäften. Trotz großer Fortschritte in den letzten Jahren ist die Wiedererkennungsleistung für praktische Anwendungen aufgrund der hohen Variabilität des Aussehens von Personen und einer hoher Szenenkomplexität inklusive Unterschieden in Blickrichtung, Skalierung und Beleuchtung noch nicht ausreichend gelöst. Wir stellen in diesem Beitrag ein neues Verfahren für die Personenwiedererkennung vor, das Bilder von Fischaugenkameras verwendet, die an der Decke montiert sind und in Nadirichtung schauen. Dabei werden Personen aus unterschiedlichen Ansichten aufgenommen. Um die verschiedenen Ansichten zu prozessieren, wird auf Basis von geometrischer Sensormodellierung und Deep Learning eine generische Verarbeitungskette genutzt. Das Verfahren wird auf einem angepassten öffentlich zugänglichen Datensatz, Market-1501, und einem neu erstellten Fischaugendatensatz evaluiert. Signifikante Verbesserungen werden in unseren Experimenten gezeigt. Der Ansatz erreicht mehr als 97% Rang#1 Wiedererkennungsleistung und eine Verbesserung von ca. 12% auf dem neu erstellten Fischaugendatensatz im
Vergleich zur Fusion mit zufälligen Blickrichtungen.
ASJC Scopus Sachgebiete
- Sozialwissenschaften (insg.)
- Geografie, Planung und Entwicklung
- Physik und Astronomie (insg.)
- Instrumentierung
- Erdkunde und Planetologie (insg.)
- Erdkunde und Planetologie (sonstige)
Zitieren
- Standard
- Harvard
- Apa
- Vancouver
- BibTex
- RIS
in: PFG - Journal of Photogrammetry, Remote Sensing and Geoinformation Science, Jahrgang 87, Nr. 5-6, 28.10.2019, S. 263-274.
Publikation: Beitrag in Fachzeitschrift › Artikel › Forschung › Peer-Review
}
TY - JOUR
T1 - Multi-view Person Re-identification in a Fisheye Camera Network with Different Viewing Directions
AU - Blott, Gregor
AU - Yu, Jie
AU - Heipke, Christian
PY - 2019/10/28
Y1 - 2019/10/28
N2 - Person re-identification is a crucial component for multi-camera networks in different real-world applications such as surveillance, automation, and business analytics. Despite considerable recent progress, the performance in practice is still not satisfactory due to the high intra-person variation and significant complexity of the task, including differences in scale, viewing direction, and illumination. We propose a novel approach for person re-identification, which exploits multi-view information of a fisheye camera looking downwards from the ceiling. To handle this highly variable multi-view information, we build a generic pipeline for processing fisheye camera imagery based on geometric sensor modelling and deep learning. The proposed approach is evaluated on a re-mapped version of the publicly available Market-1501 dataset, and, in addition, on a new fisheye dataset. Significant improvements are shown in our experiments: our approach achieves more than 97% rank#1 recognition rate if applied on the re-mapped Market-1501 dataset; on the new fisheye dataset we find an improvement of about 12% compared to random-view fusion.
AB - Person re-identification is a crucial component for multi-camera networks in different real-world applications such as surveillance, automation, and business analytics. Despite considerable recent progress, the performance in practice is still not satisfactory due to the high intra-person variation and significant complexity of the task, including differences in scale, viewing direction, and illumination. We propose a novel approach for person re-identification, which exploits multi-view information of a fisheye camera looking downwards from the ceiling. To handle this highly variable multi-view information, we build a generic pipeline for processing fisheye camera imagery based on geometric sensor modelling and deep learning. The proposed approach is evaluated on a re-mapped version of the publicly available Market-1501 dataset, and, in addition, on a new fisheye dataset. Significant improvements are shown in our experiments: our approach achieves more than 97% rank#1 recognition rate if applied on the re-mapped Market-1501 dataset; on the new fisheye dataset we find an improvement of about 12% compared to random-view fusion.
KW - Deep learning
KW - Fisheye
KW - Multi-view
KW - Person re-identification
UR - http://www.scopus.com/inward/record.url?scp=85074700731&partnerID=8YFLogxK
U2 - 10.1007/s41064-019-00083-y
DO - 10.1007/s41064-019-00083-y
M3 - Article
AN - SCOPUS:85074700731
VL - 87
SP - 263
EP - 274
JO - PFG - Journal of Photogrammetry, Remote Sensing and Geoinformation Science
JF - PFG - Journal of Photogrammetry, Remote Sensing and Geoinformation Science
SN - 2512-2789
IS - 5-6
ER -