Программирование, 2022, № 3, стр. 11-21

2.1. Базовый метод

В данной работе в качестве базового метода (baseline) используется алгоритм, представленный в [4]. Он является улучшением классического SORT-алгоритма [1]. Выбор был сделан в пользу данного метода ввиду того, что он способен работать на разреженных кадрах, что позволяет значительно снизить вычислительные затраты при его применении в крупномасштабных системах видеонаблюдения (см. раздел 1).

Выбранный baseline работает в режиме реального времени и использует Венгерский алгоритм для объединения детекций в траектории, а для улучшения результатов на низких частотах детектирования в нем задействовано визуальное сопровождение ASMS [10] для оценки скорости движения людей.

Стоит отметить, что базовый метод имеет несколько недостатков, которые усложняют его применение на практике, например:

• данный алгоритм основан на использовании детекций голов, однако люди могут иметь разный рост, что ведет к тому, что их головы могут быть расположены на разных плоскостях. Таким образом не всегда очевидно на какую высоту стоит поднять сигнальную линию, чтобы корректно фиксировать факт пересечения сигнальной линии (рис. 1);

• предыдущая проблема была решена в [4] с помощью линейной регрессии из головы в тело. Однако данную регрессию необходимо переобучать для каждой конкретной сцены, а это усложняет практическое применение алгоритма.

2.2. Предложенный метод

Выбранный базовый алгоритм состоит из следующих этапов: (1) детектирование; (2) предсказание скорости детекций с помощью визуального сопровождения; (3) предсказание позиции траектории с помощью фильтра Калмана; (4) объединение детекций в траектории; (5) экстраполяция траекторий; (6) фиксация факта пересечения сигнальной линии.

В данной работе предлагаются улучшения следующих этапов в baseline с целью его оптимизации для практического применения: детектирование, предсказание скорости детекций с помощью визуального сопровождения, фиксация факта пересечения сигнальной линии. Ниже описаны все предложенные модификации.

2.2.1. Детектирование

Так как головы менее подвержены перекрытиям и их лучше видно с камер видеонаблюдения, то было принято решение продолжить идею использования детектора голов вместо детектора тел, предложенную в [4]. Поэтому в предлагаемых алгоритмах применяется детектор голов, основанный на SSD [11]. В данной работе используются две базовые архитектуры (backbone) для детектора голов – ResNet50 [12] для усовершенствованного распределенного алгоритма с высоким качеством подсчета людей и MobileNet0.5 [13] для решения, способного работать на одном ядре процессора. Детектор обучен на публичном наборе данных CrowdHuman [14] и коллекции, собранной компанией ООО “Технологии видеоанализа”.

2.2.2. Визуальное сопровождение

Как было сказано ранее, в базовом алгоритме для оценки скорости детекций используется визуальное сопровождение ASMS. В данной работе предлагается заменить данный алгоритм визуального сопровождения на Staple [15], который позволяет значительно ускорить общее решение для подсчета людей, но при этом сохранить качество подсчета на прежнем уровне. Staple состоит из двух моделей, работающих параллельно. Первая модель является инвариантной к смене освещения, но зависит от изменения размеров объектов, вторая – напротив, инвариантна к трансформациям объектов, но зависит от освещения. Использование двух моделей вместе позволяет достичь наилучших результатов.

2.2.3. Фиксация факта пересечения сигнальной линии

Baseline использует детекции голов по причинам, описанным ранее в разделе 2.2.1. Однако такой подход обладает недостатком, описанным в разд. 2.1. В базовом алгоритме эта проблема была решена с помощью линейной регрессии, однако ее необходимо переобучать для каждой конкретной сцены, а это усложняет практическое применение метода. В данной работе предлагается новая нейросетевая регрессия из головы в тело, которая позволяет решить все упомянутые выше проблемы. Предложенный регрессор необходимо обучить единожды для применения на любой сцене.

Нейросетевой регрессор из головы в тело состоит из 2 этапов:

1). с помощью эвристики находится приблизительная позиция тела человека;

2). с помощью нейросетевой регрессии происходит уточнение приблизительной позиции тела человека.

Первый этап. В качестве эвристики используется следующий анатомический факт: ширина тела человека в среднем равна 3 ширинам его головы, а высота человека – 8 высотам его головы. Экспериментальным путем данные пропорции были немного скорректированы:

где ($hea{{d}_{{left}}}$, $hea{{d}_{{top}}}$, $hea{{d}_{{width}}}$, $hea{{d}_{{height}}}$) и ($bod{{y}_{{left}}}$, $bod{{y}_{{top}}}$, $bod{{y}_{{width}}}$, $bod{{y}_{{height}}}$) – координаты обрамляющих прямоугольников головы и тела, соответственно.

Второй этап. На втором этапе происходит уточнение позиции bbox тела, полученного на предыдущем шаге. Для этого была разработана нейросеть, способная регрессировать три значения: левые и правые крайние точки тела человека ($bod{{y}_{{regLeft}}}$ и $bod{{y}_{{regRight}}}$) и высоту $bod{{y}_{{regHeight}}}$ тела человека. На рис. 2 представлена архитектура предложенной сети. Данная нейросеть имеет простую архитектуру, потому что алгоритм подсчета людей должен работать в режиме реального времени. И несмотря на свою простоту, предложенный нейросетевой регрессор показывает весьма хорошее качество работы. В итоге, после двух этапов координаты срегрессированного тела имеют вид: ($bod{{y}_{{regLeft}}}$, $bod{{y}_{{top}}}$, $bod{{y}_{{regWidth}}}$, $bod{{y}_{{regHeight}}}$), где $bod{{y}_{{regWidth}}} = bod{{y}_{{regRight}}} - bod{{y}_{{regLeft}}}$.

В предложенном решении для сопровождения людей используются детекции голов, а для фиксации факта пересечения сигнальной линии применяются детекции тел, полученные нейросетевой регрессией. То есть каждая детекция головы связана с детекцией тела. Из-за перекрытий возможны ошибки регрессии, которые могут повлечь за собой ложные пересечения сигнальной линии, поэтому, когда происходит добавление новой детекции тела в трек, осуществляется корректировка ее высоты и ширины следующим образом:

где $bodyNe{{w}_{{width}}}$, $bodyNe{{w}_{{height}}}$ – ширина и высота добавляемого bbox тела, $bodyPre{{v}_{{width}}}$, $bodyPre{{v}_{{height}}}$ – ширина и высота последнего bbox тела в траектории, и $\alpha $ – специально выбранная константа.

2.3. Экспериментальная оценка

2.3.1. Наборы данных

Регрессия из головы в тело. Для обучения предложенной нейросетевой регрессии (см. раздел 2.2.3) использовались видеозаписи из публичных наборов данных 2DMOT2015 [16], MOT17 [17] и коллекции, собранной компанией ООО “Технологии видеоанализа”. Для получения тренировочных данных для нейронной сети из видео применялась следующая стратегия (рассматривались кадры каждые 2 секунды):

1). используя детектор голов (см. раздел 2.2.1), на каждом кадре были получены детекции голов;

2). используя линейную регрессию из [4], на каждом кадре были получены детекции тел;

3). используя эвристику (см. раздел 2.2.3), на каждом кадре были найдены приблизительные позиции тел людей. Эти данные применялись для создания кропов обучающей выборки нейросетевого регрессора из головы в тело;

4. используя детекции тел, относящиеся к детекциям голов, для каждого кадра были найдены левые и правые крайние точки тел людей, а также их высоты. Эти данные применялись для обучения нейросетевой регрессии.

Подсчет людей. Для экспериментальной оценки предложенного алгоритма необходимы продолжительные видеозаписи, снятые на статичную камеру. По этой причине являются непригодными большинство публичных наборов данных (например, популярный набор MOTChallenge [18] содержит короткие видео, снятые на подвижные камеры). Таким образом, для тестирования методов использовалиь 19 видеозаписей из коллекции компании ООО “Технологии видеоанализа”, а также публичный набор данных Towncentre [19]. Для каждого видео вручную были нарисованы сигнальные линии на уровне земли.

2.3.2. Метрики

В роли метрики качества в данной работе используется средняя ошибка подсчета числа пересечений сигнальной линии (событий) [20]. Результирующее множество событий, выданное алгоритмом, может включать в себя как положительные, так и отрицательные примеры. Отрицательные события не имеют пары в “эталонной” разметке. Будем считать событие ${{E}_{i}}$, выданное алгоритмом, совпадающим с событием $\widehat {{{E}_{i}}}$ из ”эталонной” разметки, если они относятся к одному и тому же человеку, и произошли в один и тот же момент времени. Сопоставление событий происходит при помощи метода, описанного в [20].

После сопоставления событий видеозапись делится на сегменты, содержащие по 10 “эталонных” событий, и вычисляются следующие характеристики:

• $G{{T}_{{seg}}}$ – число “эталонных” событий на рассматриваемом сегменте;

• $F{{P}_{{seg}}}$ – число событий, выданных алгоритмом, для которых не было найдено пары в “эталонной” разметке на рассматриваемом сегменте;

• $F{{N}_{{seg}}}$ – число “эталонных” событий, для которых не было найдено пары в множестве событий, выданных алгоритмом, на рассматриваемом сегменте;

• ${{E}_{{seg}}} = \frac{{F{{P}_{{seg}}} - F{{N}_{{seg}}}}}{{G{{T}_{{seg}}}}}$ – ошибка на сегменте.

Итоговая ошибка вычисляется следующим образом: $E = \sum\nolimits_{i = 1}^N {\frac{{{{E}_{{seg}}}}}{N}} $, где N – количество сегментов.

2.3.3. Результаты экспериментов

В данном разделе представлены результаты экспериментов для предложенных алгоритмов. Были рассмотрены три типа экспериментов:

• Регрессия тела – в данном эксперименте использовался базовый алгоритм [4], в котором линейная регрессия из головы в тело была заменена новой нейросетевой регрессией (см. раздел 2.2.3);

• Регрессия тела и Staple – данный эксперимент аналогичен предыдущему за тем исключением, что визуальное сопровождение ASMS было заменено на Staple (см. раздел 2.2.2);

• Одноядерный алгоритм – в данном эксперименте были применены модификации, упомянутые в предыдущих экспериментах, а также был использован легковесный детектор голов с MobileNet0.5 в качестве backbone (см. раздел 2.2.1).

В таблице 1 представлены результаты проведенных экспериментов.

Экспериментальная оценка показала, что предложенный улучшенный распределенный алгоритм имеет высокую точность подсчета людей, и значительно превосходит по качеству старый baseline из [20] и незначительно уступает базовому алгоритму из [4]. Однако предложенный алгоритм может быть использован в практических целях, так как он не требует настройки для каждой новой сцены.

Результаты из таблицы 1 также показывают, что предложенный алгоритм, способный работать на одном ядре процессора и без использования GPU, имеет качество, приемлемое для практического применения. Более того, он превосходит метод подсчета людей, основанный на классическом трекинге SORT [1], как в плане качества подсчета людей, так и с точки зрения используемых ресурсов.

2.3.4. Оценка скорости алгоритма

Ввиду того, что предложенный метод состоит из нескольких этапов, общее время его работы равно сумме времен работы каждого из его компонентов: детектора, визуального сопровождения и нейросетевой регрессии из головы в тело. Легковесному детектору голов требуется ≈250 мс для работы на Full HD кадре (см. раздел 2.2.1). Визуальное сопровождение Staple [15] (см. раздел 2.2.2) требует ≈5 мс для одной детекции (ASMS, используемый в базовом алгоритме [4], затрачивает ≈20 мс для одной детекции). Предложенный нейросетевой регрессор из головы в тело работает ≈130 мс для 10 кропов.

Если принебречь остальными незначительными вычислениями, то предложенный одноядерный метод способен работать при частоте 2 Гц и 10 людях на каждом кадре (≈500 мс). Все временные замеры были произведены в одноядерном режиме с использованием процессора Intel Core i5-9400.

3.1. Предложенный метод

Предложенный метод состоит из 5 основных этапов:

• Детектирование – используя детектор голов, осуществляется поиск голов всех людей на каждом разреженном кадре;

• Регрессия верхней части тела – на данном шаге на каждом разреженном кадре для каждой найденной головы происходит регрессия верхней части тела человека;

• Реидентификация – для каждой срегрессированной верхней части тела с помощью алгоритма реидентификации вычисляется “вектор внешнего вида”;

• Трекинг – полученные на предыдущем шаге векторы используются для связывания детекций в траектории или для создания новых траекторий;

• Оценка времени ожидания – результатом предыдущего этапа является множество траекторий ${{\left\{ {T{{r}_{i}}} \right\}}_{{i = 1}}}$, $T{{r}_{i}} = {{\left\{ {{{f}_{j}},{{d}_{j}}} \right\}}_{{j = 1}}}$, где  f_j, d_j – кадр и координаты bbox, соответственно. Используя полученное множество, имеется возможность вычислить время ожидания в очереди, как максимальное время жизни (под временем жизни $L(tr)$ траектории tr понимается продолжительность ее нахождения в видеопотоке) одной из траекторий из данного множества.

Далее будет описан каждый из первых четырех этапов предложенного алгоритма.

3.1.1. Детектирование

Как и в алгоритме, предложенном для решения задачи подсчета людей, в данном методе используется детектор голов, описанный в разделе 2.2.1. Его ключевая особенность заключается в том, что он является быстрым и обладает приемлемым качеством для практического применения.

3.1.2. Регрессия верхней части тела

Ключевая идея предложенного метода оценки времени ожидания в очередях заключается в использовании детекции верхней части тела человека, нежели всего тела, для алгоритма реидентификации. Это связано с тем, что в очередях верхняя часть человеческого тела лучше видна и при этом она содержит больше визуальной информации для Re-ID, чем, например, голова.

По этой причине предлагается произвести регрессию из головы в верхнюю часть тела по аналогии тому, как это было сделано в разделе 2.2.3. Под верхней частью человеческого тела будем понимать область тела от головы до груди.

Как и в случае с регрессией из головы в тело (см. раздел 2.2.3), сначала происходит поиск приблизительной области верхней части тела с помощью эвристики (в выражении (2.4) коэффициент 8.5 заменяется на 2), а потом ее уточнение с помощью нейросети. Последняя, в свою очередь, получая на вход найденную приблизительную область, регрессирует два значения – левую и правую крайние точки верхней части тела.

Подобное уточнение краев bbox особенно важно в случае, когда человек расположен в профиль на кадре (рис. 3).

3.1.3. Реидентификация

Нейронная сеть для реидентификации. В качестве baseline для реидентификации было выбрано решение из [21], потому что оно обладает высоким качеством решения данной задачи, а также имеет значительную скорость работы, что весьма важно для практического применения. В выбранный метод Re-ID были внесены две модификации с целью повышения его качества:

• ResNet50 был заменен на Res2Net50 [22], потому что последняя нейросеть имеет лучшее качество на задаче классификации, но при этом не сильно уступает по скорости работы ResNet50;

• Triplet Loss и Center Loss [23], используемые в baseline, были заменены на FIDI Loss [24]. Эта функция потерь предназначена для задачи Re-ID, она сильно штрафует за незначительные различия между изображениями, что очень важно для реидентификации.

Upper Body Random Size Augmentation. Рассмотрим, например, случай реидентификации по телам людей. Чаще всего для обучения нейронной сети используются изображения, где люди представлены в полный рост. Однако в реальных сценариях, ввиду окклюзий (перекрытий) и/или ошибок детектора, на вход алгоритму реидентификации могут подаваться кропы, содержащие только часть человеческого тела (например, верхнюю часть тела). На таких примерах велика вероятность неверного решения нейросетью задачи Re-ID, так как ранее она “видела” людей только в полный рост.

Аналогичное возможно и в случае реидентификации по верхней части тела. Для решения данной проблемы предлагается новая аугментация Upper Body Random Size Augmentation (UBRSA), которая призвана улучшить качество Re-ID в реальных сценариях. Ключевая ее идея заключается в случайном изменении краев bbox верхней части тела (рис. 4). Таким образом на этапе обучения сети происходит симуляция случаев, описанных выше.

Пусть ($lef{{t}_{1}}$, $to{{p}_{1}}$, $widt{{h}_{1}}$, $heigh{{t}_{1}}$) – координаты bbox верхней части тела, полученные регрессором, ($lef{{t}_{2}}$, $to{{p}_{2}}$, $widt{{h}_{2}}$, $heigh{{t}_{2}}$) – координаты bbox верхней части тела человека после применения UBRSA, $width$ и $height$ – ширина и высота bbox тела, соответственно. Тогда:

где ${{\alpha }_{1}}$, ${{\alpha }_{2}}$, ${{\alpha }_{3}}$, ${{\alpha }_{4}}$ – специально выбранные константы, в данной работе ${{\alpha }_{1}} = {{\alpha }_{3}} = {{\alpha }_{4}} = 0.25$ и ${{\alpha }_{2}} = 0.05$, а $random(a,b)$ – функция, возвращающая случайное целое число $x \in [a,b]$ из равномерного распределения.

3.1.4. Трекинг

В данной работе в качестве базового алгоритма сопровождения людей применяется [1]. Baseline работает в режиме реального времени и использует Венгерский алгоритм [8] для сопоставления детекций. В данной работе для связывания детекций в траектории и для создания новых траекторий применяются “векторы внешнего вида” (дескрипторы), полученные с помощью алгоритма реидентификации по верхней части тела. Для каждой траектории хранится 100 последних дескрипторов, которые были использованы для связывания детекций в траектории.

Пусть $\left\{ {{{D}_{i}}} \right\}_{{i = 1}}^{N}$ – множество дескрипторов, полученных с помощью алгоритма Re-ID, для детекций на новом кадре, а $\left\{ {T{{r}_{i}}} \right\}_{{i = 1}}^{M}$ – множество списков дескрипторов для существующих траекторий. Тогда, введем “матрицу стоимостей” $CM \in {{\mathbb{R}}^{{N \times M}}}$, как:

где thr – порог для Cosine Similarity, в данной работе $thr = 0.4$. Далее, для матрицы CM с помощью Венгерского алгоритма решается задача о назначениях для максимизации стоимости.

3.2. Экспериментальная оценка

3.2.1. Наборы данных

Регрессия верхней части тела. Для обучения нейросетевого регрессора из головы в верхнюю часть тела (см. раздел 3.1.2) использовался модифицированный набор данных CrowdHuman [14]. Модификации заключались в следующем:

1). используя дектор голов (см. раздел 3.1.1), для каждого изображения были найдены детекции голов;

2). используя Detectron2 [25], для каждого изображения были найдены детекции тел и сегментационные маски для них;

3). используя эвристику из [4], для каждого изображения были сопоставлены детекции голов и тел;

4). используя эвристику (см. раздел 3.1.2), для каждого изображения были найдены приблизительные позиции верхних частей тел. Эти данные применялись для создания кропов обучающей выборки нейросетевого регрессора из головы в верхнюю часть тела;

5). используя сегментационные маски для тел, соответствующие детекциям голов (согласно детекциям верхних частей тел), для каждого изображения были найдены левые и правые крайние точки верхних частей тел. Эти данные применялись для обучения нейросетевой регрессии.

Реидентификация. Для обучения нейронной сети для Re-ID использовался модифицированный публичный набор данных MSMT17 [26], в котором были объединены обучающая и тестовая выборки (полученный набор был назван MSMT17 Merged). Модификация данных заключалась в следующем: для каждого изображения была применена предложенная регрессия верхней части тела. Полученные детекции использовались для обучения нейросети для реиндентификации по верхней части тела.

В качестве тестовых выборок для алгоритма Re-ID выступили публичные каборы данных Market-1501 [27] и DukeMTMC-reID [28].

Алгоритм оценки времени ожидания в очередях. Для тестирования всего алгоритма оценки времени ожидания в очередях, предложенного в данной работе, необходимы продолжительные видеозаписи (не менее 10 минут), снятые на статичную камеру, и обладающие разметкой траекторий движения людей. Так как в публичном доступе таких видео нет, было принято решение использовать коллекцию компании ООО “Технологии видеоанализа”, состояющую из 6 видеозаписей, полученных с реальных камер видеонаблюдения в магазинах и прочих публичных местах, где возможны очереди. Это позволило приблизить тестирование предложенного алгоритма к реальным сценариям.

В таблице 2 представлена сводная информация о видеозаписях, используемых для тестирования предложенного алгоритма.

3.2.2. Метрики

Реидентификация. Для оценки качества реидентификации в данной работе использовались две метрики: $Ran{{k}_{N}}$ и mAP. Их выбор был обусловлен тем, что они являются общепринятыми для данной задачи, и позволяют производить объективное сравнение со сторонними алгоритмами Re-ID.

Оценка времени ожидания в очередях. В данной работе предлагается новый метод оценки качества подобных алгоритмов. Он состоит в следующем:

1). тестовое видео делится на сегменты равной длины t секунд (за исключением, быть может, последнего сегмента). В данной работе $t = 300$ с;

2). для каждого сегмента вычисляются GT_seg = = ${{\max }_{{tr \in T{{r}_{{G{{T}_{{seg}}}}}}}}}L(tr)$ и $Pre{{d}_{{seg}}} = {{\max }_{{tr \in T{{r}_{{Pre{{d}_{{seg}}}}}}}}}L(tr)$, где $T{{r}_{{G{{T}_{{seg}}}}}}$ и $T{{r}_{{Pre{{d}_{{seg}}}}}}$ – множества “эталонных” и результирующих траекторий, выданных алгоритмом, соответственно. $L(tr)$ – время жизни траектории tr. Иными словами, для каждого сегмента из множества “эталонных” и результирующих траекторий выбираются траектории с максимальным временем жизни. Важно: время жизни трека является “сквозным”, то есть оно вычисляется в рамках всего видео, а не отдельно для каждого сегмента;

3). для каждого сегмента вычисляются абсолютная и относительная ошибки:

4). для всего видео вычисляются средняя абсолютная и средняя относительная ошибки:

где N – количество сегментов.

3.2.3. Результаты экспериментов

Реидентификация. Ввиду того, что базовый алгоритм (см. раздел 3.1.3) был обучен и протестирован авторами для случая детекций тел, то для чистоты экспериментов, в таблице 3 приведена сравнительная оценка baseline с предложенным усовершенствованным методом Re-ID на изображениях, где люди изображены в полный рост.

Как можно видеть, предложенные модификации благоприятно влияют на качество реиндентификации при сценарии, когда обучение сети происходит на одном наборе данных, а тестирование – на другом (данный случай был выбран для тестирования из тех соображений, что в реальных сценариях приходится сталкиваться с изображениями из разных доменов). Также стоит отметить тот факт, что использование MSMT17 Merged во время обучения способствует значительному повышению метрик $Ran{{k}_{N}}$ и mAP. Это связано с тем, что за счет объединения обучающей и тестовой выборок происходит увеличение числа данных, которые сеть “видит” во время тренировки, почти в 4 раза. Аналогичный результат переносится и на случай реидентификации по верхним частям тел.

Оценка времени ожидания в очередях. Для проведения экспериментального сравнения различных конфигураций предложенного алгоритма оценки времени ожидания в очередях было проведено 5 типов экспериментов:

• Detectron2 – в данном эксперименте применялась реидентификация по телам и детекциям, полученным из Detectron2 [25];

• Верхние части тел, эв. – в данном эксперименте использовалась реидентификация по верхним частям тел и детекциям, полученным с помощью эвристики (см. раздел 3.1.2);

• Верхние части тел, рег. – в данном эксперименте применялась реидентификация по верхним частям тел и детекциям, полученным с помощью нейросетевой регрессии (см. раздел 3.1.2);

• Верхние части тел, рег. и UBRSA – данный эксперимент аналогичен предыдущему за тем исключением, что во время обучения Re-ID использовалась аугментация UBRSA (см. раздел 3.1.3);

• MobileNetV2 – данный эксперимент аналогичен предыдущему за тем исключением, что Res2Net в алгоритме реидентификации был заменен на MobileNetV2 [29];

В таблице 4 представлены результаты проведенных экспериментов.

Эксперименты показали, что гипотеза о том, что верхние части тел людей лучше видно в очередях, чем полные тела, оказалась верной. Также большую ошибку в эксперименте, где использовались детекции тел из Detectron2, можно обосновать фактом, описанным в разделе 3.1.3.

Сравнение результатов экспериментов с детекциями верхних частей тел, полученных с помощью эвристики и нейросетевого регрессора, показывает целесообразность применения предложенной стратегии регрессии, так как во втором случае имеется значительный прирост качества оценки времени ожидания в очередях. Это связано с тем, что в случае детекций, полученных с помощью эвристики, часто получаются слишком широкие bbox, в которые попадает фон или другие люди (рис. 3). Это влечет за собой ошибки реидентификации.

Также из проведенных экспериментов можно сделать вывод о том, что предложенная в данной работе Upper Body Random Size Augmentation для Re-ID благоприятно влияет на качество оценки времени ожидания в очередях, так как эта аугментация решает проблему, описанную в разделе 3.1.3. Решение этого момента позволяет снизить число разорванных траекторий и, как следствие, улучшить качество сопровождения.

В заключение стоит отметить последний эксперимент, в котором Res2Net был заменен на MobileNetV2 в алгоритме реидентификации. Как можно судить по метрикам, такая конфигурация предлагаемого метода вполне годится для практического применения. Более того, замеры скорости работы решения для оценки времени ожидания в очередях с Res2Net и MobileNetV2 показали, что во втором случае имеется возможность сопровождать в 4 раза больше людей на одной сцене.