В работе рассматривается выбор высоты установки камеры и стратегии сопровождения пешеходов – по ограничивающим прямоугольникам тела или головы – в зависимости от плотности потока. Высота установки и наблюдаемая часть тела при заданной плотности потока во многом задают окклюзию в кадре и тем самым ограничивают достижимое качество многообъектного сопровождения еще до выбора алгоритма. Качество измеряется интегральной метрикой сопровождения высшего порядка, а для каждой стратегии оценивается минимальная высота установки, при которой это качество достигает заданного уровня. Оценка выполнена на синтетических видеопоследовательностях, которые воспроизводят реальный пешеходный поток при управляемой геометрии съемки, недостижимой на натурных записях с заранее заданным ракурсом. Вычислительный эксперимент охватывает шесть высот установки от 2 до 12 м и диапазон плотности от свободного движения до плотного потока. Для сопровождения по телам требуемая высота монотонно растет с плотностью и в плотных режимах выходит за практический предел, тогда как сопровождение по головам обеспечивает то же качество на высоте не более 6 м. Полученная зависимость применима на этапе проектирования систем видеонаблюдения для согласования высоты установки и стратегии наблюдения с ожидаемой плотностью потока.
1. Milan A., Leal-Taixé L., Reid I., Roth S., Schindler K. MOT16: A benchmark for multi-object tracking. arXiv. URL: https://doi.org/10.48550/arXiv.1603.00831 [Accessed 15th May 2026].
2. Luiten J., Os̆ep A., Dendorfer P., et al. HOTA: A higher order metric for evaluating multi-object tracking. International Journal of Computer Vision. 2021;129(11):548–578. https://doi.org/10.1007/s11263-020-01375-2
3. Erdem U.M., Sclaroff S. Automated camera layout to satisfy task-specific and floor plan-specific coverage requirements. Computer Vision and Image Understanding. 2006;103(3):156–169. https://doi.org/10.1016/j.cviu.2006.06.005
4. Волхонский В.В., Ковалевский В.А. Метод оптимизации параметров установки камеры для видеоконтроля зоны наблюдения произвольной формы. Научно-технический вестник информационных технологий, механики и оптики. 2023;23(5):927–934. https://doi.org/10.17586/2226-1494-2023-23-5-927-934
5. Limanta F., Uto K., Shinoda K. CAMOT: Camera angle-aware multi-object tracking. In: Proceedings of the 2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 03–08 January 2024, Waikoloa, HI, USA. IEEE; 2024. P. 6465–6474. https://doi.org/10.1109/WACV57701.2024.00635
6. Sundararaman R., De Almeida Braga C., Marchand E., Pettré J. Tracking pedestrian heads in dense crowd. In: Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 20–25 June 2021, Nashville, TN, USA. IEEE; 2021. P. 3864–3874. https://doi.org/10.1109/CVPR46437.2021.00386
7. Zhang Y., Chen H., Lai Zh., Zhang Z., Yuan D. Handling heavy occlusion in dense crowd tracking by focusing on the heads. In: AI 2023: Advances in Artificial Intelligence: 36th Australasian Joint Conference on Artificial Intelligence: Part I, 28 November – 01 December 2023, Brisbane, QLD, Australia. Singapore: Springer; 2023. P. 79–90. https://doi.org/10.1007/978-981-99-8388-9_7
8. Helbing D., Molnár P. Social force model for pedestrian dynamics. Physical Review E. 1995;51(5):4282–4286. https://doi.org/10.1103/PhysRevE.51.4282
9. Dendorfer P., Rezatofighi H., Milan A., et al. MOT20: A benchmark for multi object tracking in crowded scenes. arXiv. URL: https://doi.org/10.48550/arXiv.2003.09003 [Accessed 15th May 2026].
10. Simsek F.E., Cigla C., Kayabol K. SOMPT22: A surveillance oriented multi-pedestrian tracking dataset. arXiv. URL: https://doi.org/10.48550/arXiv.2208.02580 [Accessed 15th May 2026].
11. NCD Risk Factor Collaboration (NCD-RisC). A century of trends in adult human height. eLife. 2016;5:e13410. https://doi.org/10.7554/eLife.13410
12. Mather G. Head-body ratio as a visual cue for stature in people and sculptural art. Perception. 2010;39(10):1390–1395. https://doi.org/10.1068/p6737
13. Cao J., Pang J., Weng X., Khirodkar R., Kitani K. Observation-centric SORT: Rethinking SORT for robust multi-object tracking. In: Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 17–24 June 2023, Vancouver, BC, Canada. IEEE; 2023. P. 9686–9696. https://doi.org/10.1109/CVPR52729.2023.00934
14. Bewley A., Ge Z., Ott L., Ramos F., Upcroft B. Simple online and realtime tracking. In: Proceedings of the 2016 IEEE International Conference on Image Processing (ICIP), 25–28 September 2016, Phoenix, AZ, USA. IEEE; 2016. P. 3464–3468. https://doi.org/10.1109/ICIP.2016.7533003
15. Zhang Y., Sun P., Jiang Y., et al. ByteTrack: Multi-object tracking by associating every detection box. In: Computer Vision – ECCV 2022: 17th European Conference: Part XXII, 23–27 October 2022, Tel Aviv, Israel. Cham: Springer; 2022. P. 1–21. https://doi.org/10.1007/978-3-031-20047-2_1
Никашов Илья Алексеевич
Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых
Владимир, Российская Федерация
