MehrpersonenErkennung

MehrpersonenErkennung bezeichnet die Aufgabe der Computer vision, mehrere Personen in einem einzelnen Bild oder Video zu erkennen, ihre Positionen zu lokalisieren und, falls erforderlich, ihre Identitäten über die Zeit hinweg zu verfolgen. Sie umfasst in der Regel die Detektion von Personen durch Begrenzungsrahmen oder Segmentierungen sowie die Zuordnung dieser Personen über aufeinander folgende Frames.

Moderne Ansätze basieren überwiegend auf tiefen neuronalen Netzen. Für die Detektion kommen Systeme wie Faster R-CNN, YOLO oder RetinaNet zum Einsatz, oft mit spezieller Anpassung an die Personenerkennung. Für präzisere Abgrenzung können Instanzen-Segmentierungen (z. B. Mask R-CNN) verwendet werden. In Szenen mit vielen Personen wird oft Pose-Estimation oder Re-Identifikation herangezogen, um Verwechslungen zu vermeiden. Zusätzlich werden Tracking-Methoden eingesetzt, etwa DeepSORT oder ByteTrack, um Stabilität der Identitäten über Frames sicherzustellen.

Daten und Evaluierung: gängige Datensätze umfassen COCO, CrowdHuman oder MOT-Challenges, die sowohl Detektion als auch Tracking bewerten. Leistungsmetriken umfassen mittlere Genauigkeit (mAP) basierend auf IoU, sowie MOT-spezifische Metriken wie MOTA, MOTP und die Anzahl Identifikationsfehler (ID Switches).

Anwendungen: MehrpersonenErkennung wird in Sicherheits- und Überwachungssystemen, zur Analyse von Menschenmengen, in Sport- und Veranstaltungsanalysen sowie in autonomen Fahrsystemen eingesetzt, um sichere Interaktion mit Fußgängern zu ermöglichen.

Herausforderungen: Zu den zentralen Problemen zählen starke Occlusion, dichte Menschenansammlungen, Maßstabsunterschiede, Echtzeit-Anforderungen sowie Datenschutz- und Fairness-Bedenken. Fortschritte beruhen auf verbesserten Domänenanpassungen, robusteren Re-Identification-Strategien und effizienteren Tracking-Algorithmen.