# 俯视配置下RGB-D相机的人物检测与跟踪：挑战与应用综述
Daniele Liciotti、Marina Paolanti(✉)、Emanuele Frontoni、Primo Zingaretti
马尔凯理工大学信息工程系，意大利安科纳市Via Brecce Bianche，邮编60131
{d.liciotti,m.paolanti}@pm.univpm.it, {e.frontoni,p.zingaretti}@univpm.it
摘要。本文针对RGB-D相机在人物检测与跟踪领域的应用开展文献综述。我们旨在通过这份最新研究报告，展示俯视配置在多个子领域人物检测与跟踪应用中的潜力，梳理核心局限，并指明能够解决剩余挑战的技术方向。本调研分析了RGB-D相机得以普及的原因：它们价格低廉，还可在视觉图像之外额外提供粗略深度信息。采用俯视配置的这类相机已在多个领域成功应用，可用于唯一识别人员、分析行为与交互。本报告表明，人物检测与跟踪能够为众多领域和不同研究目标提供极具价值的信息来源。
关键词：俯视 · RGB-D相机 · 跟踪 · 检测
## 1 引言
人物检测与跟踪是众多交互智能系统中重要的基础组成部分。由于遮挡、外观变化、复杂动态背景等诸多严峻挑战，该问题目前仍未得到完全解决[^26]。RGB-D相机因可获取性好、可靠性高、价格低廉，成为该任务的主流传感器。研究已证明，深度相机在应对人物间严重遮挡和复杂背景问题上，无论精度还是效率都极具优势。微软Kinect、华硕Xtion Pro Live传感器这类设备的问世，推动了计算机视觉及相关视觉研究领域的变革。高分辨率深度信息与视觉信息的结合，为从零售到环境辅助生活（AAL）等众多应用领域的行为识别和人物跟踪带来了新的挑战与机遇。可靠的深度图能够提供宝贵的额外信息，大幅提升跟踪与检测的结果质量。
---
尽管多年来的持续研究已经衍生出多种智能方法，但在这类图像和序列中完成人物检测与跟踪任务仍然极具挑战性。现有技术包括提取空间全局特征，结合局部特征和提升算法使用统计学习，例如EOH [^10]、HOG [^7]和edgelet [^37]。人类姿态的高变化性、自遮挡和交叉遮挡等其他挑战让该问题进一步复杂化。
为应对这些挑战，多篇研究采用了俯视配置，因为它能够简化任务，方便提取不同的轨迹特征。该设置还由于不存在个体间遮挡，提升了方法的鲁棒性。图1展示了采用RGB-D相机俯视配置的人数统计系统。
(a)
(b)
(c)
(d)
Fig. 1. People counting system from top-view configuration with RGB-D camera. (Color figure online)
本综述旨在从俯视视角全面梳理计算机视觉与机器智能领域近年发表的基于RGB-D技术的人体检测与跟踪研究进展。选题方向源于我们此前对采用俯视安装配置的RGB-D相机相关方案的研究经验。具体而言，本次综述涵盖了不同领域中的人员跟踪与识别、人类行为分析、手势识别以及跌倒检测等主题。研究主题的广泛多样性充分体现了俯视配置在计算机视觉领域的潜在应用价值。本文还总结了现有大多数方案遵循的主要研究思路，点明了各类方案的贡献。我们从多个角度对纳入综述的方案进行分类与比较，分类维度包括信息模态、表示编码、结构与转换以及特征工程方法，并分析了每一类方案的优缺点。
本文余下内容结构安排如下：第2节概述了俯视配置安装的RGB-D传感器所采用的算法与方案的研究现状；第3节介绍了这类传感器安装应用的主要研究领域，包括安全与视频分析（3.1小节）、智能零售环境（3.2小节）以及日常生活活动（ADLs）（3.3小节）；最后一节（第4节）给出结论与我们的思考。
---
## 2 俯视配置：算法与研究方案
近年来，学界提出了诸多人体检测与跟踪的视觉技术与算法，但多数方案在真实场景中的通用性存在较大局限。本节我们梳理了当前的相关方法，涵盖了面向俯视RGB-D数据的人体跟踪与检测的早期及最新相关算法与技术文献。具体而言，我们回顾了基于背景减除法、注水算法以及统计算法的分割相关方案。
Kouno等人在[^17]中介绍了一项基于图像的人员识别任务，研究对象为顶置摄像头拍摄的图像。该方法的处理过程基于背景减除框架，他们为识别方法引入了四个特征，分别是估计身高、估计身体尺寸、估计体型以及深度直方图。
在[^38]中，作者提出了一种基于立体视觉的公交车乘客计数系统。该计数系统的处理流程包含检测、分割、跟踪与计数多个不同步骤。具体而言，作者对高度图进行分割，以突出不同层级乘客的头部（即成人、青少年、儿童），得到的包含头部相关信息的二值图像被称为“核”。提取步骤为每个核赋予若干参数，如核大小、形状、平均灰度、平均高度。随后，基于核的信息，采用跟踪流程分析各个核的运动轨迹。
[^25]也采用了顶视摄像头设置。在该研究中，序列中的每一张深度图像被分割为K层，类比计算机断层扫描（CT）切片，其中相邻两层之间的深度间距被设为固定值，层数K是预先选定的参数。在此之后，可基于经典轮廓查找算法确定每个切片的区域。研究还采用动态时间规整算法解决序列长度不一致的问题。最终，训练得到一个SVM分类器来对活动进行分类。
在另一项研究中，作者结合底层分割与跟踪方法开发了一套系统，可绘制门店内顾客的位置图，检测顾客与货架商品的交互，以及门店内人群的移动规律[^24]。
[^12]采用Microsoft Kinect深度传感器，基于深度帧分析采用了“安装于天花板”的配置。分割算法可识别深度场景中的各个元素，该算法直接分析传感器提供的原始深度数据。系统提取元素后，实现了对场景中所有连通区域的分类方案。研究利用人体测量关系和特征，在连通区域中识别人体目标。一旦检测到行人，就会通过跟踪算法在不同帧之间对其进行持续追踪。
Dittrich等人[^9]提出了一种基于RGB-D数据的底层人体部位分割方法。该研究将RGB-D传感器安装在天花板上，观测工业领域人机协作的共享工作空间。
---
目标类别为不同的人体部位：头部、上身躯干、上臂与下臂、手部、腿部，以及背景排除。为生成分类器训练所需的数据，他们在虚拟环境中采用人体的合成表示，由合成传感器生成深度数据。
[^36]中Tseng提出了经典分割方法的一种变体。该研究提出了一套实时室内监控系统，该系统安装了多个垂直顶视深度相机来追踪行人。该系统依托一个框架，试图解决多人追踪场景下监控领域的传统难题，例如严重遮挡、外观相似、光照变化以及轮廓变形等问题。研究对拼接后的顶视图像进行背景减法处理，以在杂乱环境中提取前景目标。检测方案包含多个阶段，如基于图的分割、头部半椭球模型以及测地线距离图。此外，研究还设计了基于扩散距离的形状特征，用于在粒子滤波中验证人体追踪假设。
对经典分割技术的一种改进是Kepski等人提出的算法[^15]。该算法的第一步是通过最近邻插值填充深度图中的空洞，使所有像素都得到有意义的取值。随后，对深度数组应用窗口尺寸为$5 \times 5$的中值滤波，使数据变得平滑。该算法还会提取地面，并从深度图中移除对应像素。基于上一深度帧中提取出的人物，算法会在当前帧执行区域生长来勾勒出人物轮廓。为了确认跟踪目标的存在并确定头部位置，该方法使用了基于支持向量机（SVM）的人体检测器。根据人体质心，云台转动相机，使头部始终保持在深度图的中心区域。最后，算法会运行由躺卧姿态检测器和动态过渡检测器组成的级联分类器。
另一篇采用分割方法描述公共交通场景下人数统计方法的论文是[^28]。该研究使用垂直安装的Kinect传感器采集了包含1-5个人的图像数据库，覆盖了抓握扶手和不抓握扶手两种身体姿态。该方法将图像分块处理以寻找潜在的局部最大值，随后对这些极值进行验证得到头部候选区域。最后，基于极值邻域内取值相近和近零值像素的比例，过滤掉非头部目标。
[^3]中的方法研究了一种可在极弱光照条件下正常工作的实时人体跟踪系统。该系统基于一款新型主动传感器，该传感器采用飞行时间（Time of Flight, TOF）技术获取亮度图像和深度图像。该系统通过基于逐像素参数统计模型的简单背景减除法完成前景提取。跟踪算法基于几何约束和几何不变量，因此效率很高。实验在光照变化的场景下开展，且涉及多人近距离互动的场景。
---
[^39]中应用了同一种技术。该论文提出的方法由两个行为估计器组成：第一个基于结合深度信息的手部高度，第二个基于结合深度信息和PSA（像素状态分析，Pixel State Analysis）特征的支持向量机，两个估计器以级联的方式工作。
[^4]提出了一种基于主动学习策略的深度图像人体部位检测方法。该方法在两种不同场景下进行了评估：卧床人员的头部检测，以及天花板摄像头场景下的人体头部检测。该方法结合了可增量训练模型的在线决策树学习过程，以及可选择相关样本进行标注的数据采样策略，能够同时减少训练处理时间和图像标注工作量。该方法以深度像素值为特征，使用k-means这类算法对数据进行聚类分组。
Tian等人在[^35]中采用中值滤波进行去噪，因为中值滤波可以很好地过滤Kinect获取的深度图像噪声，同时能够很好地保留边缘信息。该方法使用了一种人体检测方法：基于深度图提取头部和肩部的HOG特征（一种局部描述符），对特定场景中的运动目标进行检测。SVM分类器分离出感兴趣区域（即头部和肩部特征区域），实现对目标（行人）的实时检测。
[^32]提出了一种针对俯视摄像头系统采集的深度图像的人体检测与跟踪方法。研究人员引入特征描述子，采用判别分类方案训练头肩检测器。通过独立的处理步骤，确保仅对数量最少但足够的头肩候选区域进行评估。最后的跟踪步骤在时间维度可靠传播检测结果，输出稳定的跟踪结果。该方法的性能足以识别人员跟车、尾随闯入等多种复杂挑战性场景。
Wu等人[^37]提出了一种新颖的二值分割方法，该方法采用高斯混合模型算法，减少了相机带来的深度传感噪声，同时完成背景减除。此外，作者还使用5×5中值滤波器对前景深度图进行平滑处理。对被跟踪人员及其身体部位的实时分割，是EagleSense跟踪流程的第一个阶段。
作者在[^13]中描述并评估了一种基于视觉的技术，可通过立体相机传感器网络对多人进行跟踪。他们将立体深度估计误差建模为高斯分布，并使用卡尔曼滤波器跟踪特征。特征跟踪模块首先使用Harris角点检测器识别出适于跟踪的优质特征，再采用Lucas-Kanade-Tomasi（LKT）特征跟踪算法在时间域分别独立跟踪左右图像特征。该方法使用MOTA-MOTP多目标跟踪性能指标进行了评估，测试涵盖最多6人的真实数据集，以及外观统一的最多25人拥挤场景的挑战性模拟实验。该技术为每个人分配独立的粒子滤波器进行跟踪。
---
因此需要一个数据关联步骤，将3D特征测量结果分配给各个跟踪器。
Migniot在[^30] [^31]等论文中，研究了基于Xtion Pro-Live相机采集的深度图像序列实现3D人体姿态跟踪的问题。研究人员通过深度数据与关节人体模型间的稠密对应关系进行模型拟合，完成人体姿态估计，还提出了两种基于粒子滤波器的跟踪器。
当RGB-D相机采用俯视配置时，众多研究人员采用的一种计算机视觉算法是注水算法。
Zhang等人[^40]搭建了一套使用垂直放置Kinect传感器的人数统计系统，该系统利用深度信息消除外观变化带来的影响。由于头部比身体其他部位更靠近Kinect传感器，人数统计任务可定位出合适的局部极小值区域。无监督注水算法可以识别出这些区域，兼具鲁棒性、局部性和尺度不变性的特点。
作者在[^1]和[^6]中，同样提出了一种基于注水法的人数统计算法，该算法使用垂直安装（即朝向地面）的Kinect相机采集深度图像。[^1]中的算法被称为域播种算法。研究人员根据局部极小值推导得到阈值，生成二值图像，再从二值图像中检测出人体头部色块。[^6]中提出的人员跟踪方法提升了人数统计系统的性能。
## 3 俯视配置：研究领域的挑战与机遇
安装俯视构型RGB-D相机的主要动因可归纳为本文本节介绍的若干相关应用。首先，实现可靠无遮挡的人数统计对众多应用而言至关重要。以往多数研究仅能通过单台相机统计移动人员，无法统计静止人员，在人群密集、遮挡频发的场景中往往会出现严重失效。本次调研中，我们重点关注三个研究领域内采用俯视构型RGB-D相机的相关工作：安全与视频分析、智能零售环境以及ADLs。
### 3.1 安全与视频分析
该领域开发的应用涉及拥挤环境下的安全保障、人员流动分析、访问控制以及人数统计。在拥挤环境中，俯视相机的实际跟踪准确率优于所有其他视角，最高可达99%。当应用于特殊安全场景，或是系统通常运行在人群密集的场景中时，这类架构和视角是唯一合适的选择。
---
在[^5]中，作者重点开发了一种用于公共场所人员跟踪和计数的嵌入式智能相机网络。在该网络中，每个节点都可实现人员感知、跟踪和计数，同时能与网络中的相邻节点通信。每个节点都采用一台置于俯视位置的3D感知相机。该系统在校准过程中完成了背景建模，采用了一种快速轻量的分割算法。
在[^8]中，作者提出了一种基于视觉的越线人数统计方法。该方法分析由安装在计数线正天顶位置的相机采集的视频流，能够确定穿越虚拟线的人数，并给出每个人的穿越方向。该方法的设计目标是实现高准确率和计算效率。研究人员对该方法开展了全面评估，评估过程考虑了所有可能影响计数性能的因素，具体包括：采集技术（传统RGB相机和深度传感器）、安装场景（室内和室外）、人流量密度（单独行人与成群行人）、采集帧率以及图像分辨率。他们还分析了结合RGB和深度传感器输出来提升计数性能的方案。
另一项人数统计研究成果来自[^11]，该研究开发了一种基于多模态联合信息处理的人群计数算法。该方法中，作者结合色彩信息与深度信息，使用普通深度相机（例如Microsoft Kinect）完成任务。首先，他们基于深度信息，利用对不同场景的自适应调节能力，检测监测区域内每个移动或静止人员的头部，随后基于色彩信息对每个检测到的头部进行跟踪和计数。
为保障关键基础设施等场景的安全，[^34]提出了一套处理流程，用于验证仅允许单个授权人员进入安全区域。验证过程通过一组RGB-D图像完成，采用对旋转和姿态不变的特征，通过不同指标进行分类，可支持实时应用。
人员计数问题结合重识别与轨迹分析的研究在[^14]中有所探讨。研究人员利用深度相机提取到了有用信息。[^27]对重识别任务展开了研究。作者介绍了一项关于使用不同特征的研究，这些特征专门从俯视角度RGB-D相机拍摄的深度图像中获取。TVPR是采用俯视配置RGB-D相机进行行人重识别的数据集。数据采集在室内场景中完成，人员从安装在天花板上的相机下方经过[^23]。
### 3.2 智能零售环境
一个重要研究方向是检测人与环境之间的交互，该方向在智能零售环境和智能货架领域拥有诸多应用，例如顾客分析[^18]。本文的目的是
---
提出一种低成本集成系统，该系统由一台RGB-D相机和一套能够监测顾客的软件组成。安装在货架上方的相机可检测人员的存在，并对其进行唯一识别。系统通过深度帧检测顾客与货架上商品的交互，判断商品是否被拿起，或是被取出后又放回，最终判断是否未发生商品接触。
同一作者在[^20]中描述了消费者行为监测工作。所采用的自主低成本系统基于连接视频传感器网络的软件基础设施，配备一套计算机视觉算法，嵌入到分布式RGB-D相机中。
GroupTogether是另一款利用两种社会学结构探索跨设备交互的系统[^29]。它通过利用人员的近距关系以及设备的近距关系，为同地协作提供流畅、低干扰的技术支持。
Migniot等人研究了人员跟踪问题，提出了一种适用于户外增强现实的稳健可靠无标记相机跟踪系统，该系统仅需一台移动手持相机即可工作。该方法在仅部分已知的三维场景中效率尤为突出，这类场景仅能获取户外环境的不完整三维模型[^31]。
### 3.3 日常生活活动（ADLs）
俯视视角RGB-D相机的另一个研究领域是日常生活活动（ADLs）。该领域的应用范围从高可靠性跌倒检测，延伸到AAL环境中针对居家老年人的无遮挡人类行为分析（HBA）。当前研究已在所有这些应用中取得了可观成果，能够在执行跟踪、交互分析或HBA的同时完成用户识别。此外，所有这些场景都可以利用低成本传感器和处理单元采集数据，具备可扩展性。最后，所提出的架构可依据欧盟的隐私设计原则完成认证。
一个典型实例是[^2]中描述的系统，该系统利用安装在检测区域正上方的Kinect传感器获取深度数据，实现实时人体跟踪和预定义人体手势检测。跟踪部分基于拟合铰接人体模型获取数据，采用了粒子滤波框架以及源自人体生理特性的特定定义约束。手势识别部分采用了符合人体姿态、兼顾关节位置公差和时间约束的时间自动机。
针对人类行为的高级分析，Liciotti等人在[^19]中开发了一套高度集成的系统。该视频框架利用垂直RGB-D传感器，可在家庭场景下完成人员跟踪、交互分析和用户活动检测。深度信息被用于消除外观变化带来的影响，进而评估用户在家中以及固定设施前的活动。此外，该系统还可对群体交互进行监测和分析。音频框架通过持续监测家庭声学环境来识别语音指令。
---
如前所述，人员跟踪过程中另一项需要监测和评估的重要问题是跌倒检测 [^12] [^15] [^16] [^22]。这些文献中所采用的顶视配置RGB-D相机方案，对于实现该目标既适用又经济实惠。
[^21]中介绍了一套自动化RGB-D视频分析系统，可识别与经典日常动作相关的人类ADL活动。该系统的核心目标是预测被分析对象执行某一动作的概率，从而实现异常行为检测。活动检测与识别通过高性价比的RGB-D相机完成，动作序列识别则采用判别式隐马尔可夫模型（HMM）处理。
## 4 结论与思考
本文旨在通过这篇最新技术综述，展示顶视配置在多个子领域的检测与跟踪应用中的潜力，梳理核心局限性，并指出可解决剩余挑战的技术方向。RGB-D相机的成功与其经济性密切相关，同时它还能在提供视觉图像的同时额外获取粗略深度信息。这类相机目前已成功应用于多个领域，可对人员进行唯一识别，并分析其行为与交互。选择顶视配置RGB-D相机，是因为它相比通常用于手势识别甚至电子游戏的前视配置适用性更强。顶视配置能够减少遮挡问题，还具备保护隐私的优势，因为相机不会拍摄到人的面部。在此基础上，未来可进一步研究探索更准确有效的方法，例如卷积神经网络（Convolutional Neural Networks）或U-Net [^33]。
## 参考文献
[^1]: Agusta, B.A.Y., Mittrapiyanuruk, P., Kaewtrakulpong, P.: Field seeding algorithm for people counting using kinect depth image. Indian J. Sci. Technol. 9(48) (2016)
[^2]: Bednarik, J., Herman, D.: Human gesture recognition using top view depth data obtained from kinect sensor (2015)
[^3]: Bevilacqua, A., Di Stefano, L., Azzari, P.: People tracking using a time-of-flight depth sensor. In: IEEE International Conference on Video and Signal Based Surveillance, AVSS 2006, pp. 89–89. IEEE (2006)
[^4]: Bonnin, A., Borràs, R., Vitrià, J.: A cluster-based strategy for active learning of rgb-d object detectors. In: 2011 IEEE International Conference on Computer Vision Workshops (ICCV Workshops), pp. 1215–1220. IEEE (2011)
[^5]: Burbano, A., Bouaziz, S., Vasiliu, M.: 3D-sensing distributed embedded system for people tracking and counting. In: 2015 International Conference on Computational Science and Computational Intelligence (CSCI), pp. 470–475. IEEE (2015)
## [^6]: Coşkun, A., Kara, A., Parlaktuna, M., Ozkan, M., Parlaktuna, O.: People counting system by using kinect sensor. In: 2015 International Symposium on Innovations in Intelligent SysTems and Applications (INISTA), pp. 1–7. IEEE (2015)
---
[^7]: Dalal, N., Triggs, B.: Histograms of oriented gradients for human detection. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2005, vol. 1, pp. 886–893. IEEE (2005)
[^8]: Del Pizzo, L., Foggia, P., Greco, A., Percannella, G., Vento, M.: Counting people by RGB or depth overhead cameras. Pattern Recogn. Lett. 81, 41–50 (2016)
[^9]: Dittrich, F., Woern, H., Sharma, V., Yayilgan, S.: Pixelwise object class segmentation based on synthetic data using an optimized training strategy. In: 2014 First International Conference on Networks & Soft Computing (ICNSC), pp. 388–394. IEEE (2014)
[^10]: Felzenszwalb, P.F.: Learning models for object recognition. In: Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2001, vol. 1, pp. I–1056. IEEE (2001)
[^11]: Fu, H., Ma, H., Xiao, H.: Scene-adaptive accurate and fast vertical crowd counting via joint using depth and color information. Multimedia Tools Appl. 73(1), 273 (2014)
[^12]: Gasparrini, S., Cippitelli, E., Spinsante, S., Gambi, E.: A depth-based fall detection system using a kinect\textregistered{} sensor. Sensors \textbf{14}(2), 2756-2775 (2014)
[^13]: Heath, K., Guibas, L.: Multi-person tracking from sparse 3D trajectories in a camera sensor network. In: Second ACM/IEEE International Conference on Distributed Smart Cameras, ICDSC 2008, pp. 1–9. IEEE (2008)
[^14]: Hernandez, D., Castrillon, M., Lorenzo, J.: People counting with re-identification using depth cameras (2011)
[^15]: Kepski, M., Kwolek, B.: Detecting human falls with 3-axis accelerometer and depth sensor. In: 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 770–773. IEEE (2014)
[^16]: Kepski, M., Kwolek, B.: Fall detection using ceiling-mounted 3D depth camera. In: 2014 International Conference on Computer Vision Theory and Applications (VISAPP) vol 2, pp 640–647. IFFF (2014).
[^17]: Kouno, D., Shimada, K., Endo, T.: Person identification using top-view image with depth information. In: 2012 13th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel & Distributed Computing (SNPD), pp. 140–145. IEEE (2012)
18. Licotti, D., Contigiani, M., Frontoni, E., Mancini, A., Zingaretti, P., Placidi, V.：《顾客分析：一种基于分布式RGB-D相机网络的顾客活动识别系统》。见：Distante, C., Battiato, S., Cavallaro, A.（编）VAAM 2014。LNCS，第8811卷，第146–157页，Springer，Cham（2014）。
[^19]: Licotti, D., Ferroni, G., Frontoni, E., Squartini, S., Principi, E., Bonfigli, R., Zingaretti, P., Piazza, F.: Advanced integration of multimedia assistive technologies: a prospective outlook. In: 2014 IEEE/ASME 10th International Conference on Mechatronic and Embedded Systems and Applications (MESA), pp. 1–6. IEEE (2014)
20. Licotti, D., Frontoni, E., Mancini, A., Zingaretti, P.：《零售环境下用于消费者行为分析的普适系统》。见：Nasrollahi, K., Distante, C., Hua, G., Cavallaro, A., Moeslund, T.B., Battiato, S., Ji, Q.（编）FER/VAAM -2016。LNCS，第10165卷，第12–23页，Springer，Cham（2017）。
## [^21]: Licotti, D., Frontoni, E., Zingaretti, P., Bellotto, N., Duckett, T.: Hmm-based activity recognition with a ceiling RGB-D camera. In: Proceedings of the 6th International Conference on Pattern Recognition Applications and Methods, pp. 567–574 (2017)
---
[^22]: Licotti, D., Massi, G., Frontoni, E., Mancini, A., Zingaretti, P.: Human activity analysis for in-home fall risk assessment. In: 2015 IEEE International Conference on Communication Workshop (ICCW), pp. 284–289. IEEE (2015)
23. Licotti, D., Paolanti, M., Frontoni, E., Mancini, A., Zingaretti, P.：《俯视配置下基于RGB-D相机的行人重识别数据集》。见：Nasrollahi, K., Distante, C., Hua, G., Cavallaro, A., Moeslund, T.B., Battiato, S., Ji, Q.（编）FFER/VAAM-2016。LNCS，第10165卷，第1–11页，Springer，Cham（2017）。
[^24]: Licotti, D., Zingaretti, P., Placidi, V.: An automatic analysis of shoppers behaviour using a distributed RGB-D cameras system. In: 2014 IEEE/ASME 10th International Conference on Mechatronic and Embedded Systems and Applications (MESA), pp. 1–6. IEEE (2014)
[^25]: Lin, S.-C., Liu, A.-S., Hsu, T.-W., Fu, L.-C.: Representative body points on top-view depth sequences for daily activity recognition. In: 2015 IEEE International Conference on Systems, Man, and Cybernetics (SMC), pp. 2968–2973. IEEE (2015)
[^26]: Liu, J., Liu, Y., Zhang, G., Zhu, P., Chen, Y.Q.: Detecting and tracking people in real time with RGB-D camera. Pattern Recog. Lett. 53, 16–23 (2015)
27. Lorenzo-Navarro, J., Castrillón-Santana, M., Hernández-Sosa, D.：RGB-D图像中的重识别研究。载于：Bravo, J., Hervás, R., Rodríguez, M.（编）IWAAL 2012。LNCS，第7657卷，第200–207页。Springer，海德堡（2012）。
[^28]: Malawski, F.: Top-view people counting in public transportation using kinect. Challenges Mod. Technol. 5 (2014)
[^29]: Marquardt, N., Hinckley, K., Greenberg, S.: Cross-device interaction via micromobility and f-formations. In: Proceedings of the 25th Annual ACM Symposium on User Interface Software and Technology, pp. 13–22. ACM (2012)
[^30]: Migniot, C., Ababsa, F.: Hybrid 3D-2D human tracking in a top view. J. Real-Time Image Proc. 11(4), 769–784 (2016)
31. Migniot, C., Ababsa, F.：利用Xtion Pro-Live相机采集的深度信息进行俯视图下的三维人体跟踪。载于：Bebis, G., Boyle, R., Parvin, B., Koracin, D., Li, B., Porikli, F., Jordan, V., Klosowski, J., Coquillart, S., Luo, X., Chen, M., Gotz, D.（编）ISVC 2013。LNCS，第8034卷，第603–612页。Springer，海德堡（2013）。
[^32]: Rauter, M.: Reliable human detection and tracking in top-view depth images. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, pp. 529–534 (2013)
[^33]: Ronneberger, O., Fischer, P., Brox, T.: U-net: convolutional networks for biomedical image segmentation. arXiv preprint arXiv:1505.04597 (2015)
[^34]: Siegmund, D., Wainakh, A., Braun, A.: Verification of single-person access in a mantrap portal using RGB-D images. In: XII Workshop de Visao Computacional (WVC) (2016)
[^35]: Tian, Q., Zhou, B., Zhao, W.-H., Wei, Y., Fei, W.-W.: Human detection using hog features of head and shoulder based on depth map. JSW 8(9), 2223–2230 (2013)
[^36]: Tseng, T.-E., Liu, A.-S., Hsiao, P.-H., Huang, C.-M., Fu, L.-C.: Real-time people detection and tracking for indoor surveillance using multiple top-view depth cameras. In: 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2014), pp. 4077–4082. IEEE (2014)
## [^37]: Wu, B., Nevatia, R.: Detection and tracking of multiple, partially occluded humans by bayesian combination of edgelet based part detectors. Int. J. Comput. Vision 75(2), 247–266 (2007)
---
[^38]: Yahiaoui, T., Meurie, C., Khoudour, L., Cabestaing, F.: A people counting system based on dense and close stereovision. In: Image and Signal Processing, pp. 59–66 (2008)
[^39]: Yamamoto, J., Inoue, K., Yoshioka, M.: Investigation of customer behavior analysis based on top-view depth camera. In: 2017 IEEE Winter Applications of Computer Vision Workshops (WACVW), pp. 67–74. IEEE (2017)
[^40]: Zhang, X., Yan, J., Feng, S., Lei, Z., Yi, D., Li, S.Z.: Water filling: unsupervised people counting via vertical kinect sensor. In: 2012 IEEE Ninth International Conference on Advanced Video and Signal-Based Surveillance (AVSS), pp. 215–220. IEEE (2012)