最近在做基于Meanshift的人脸跟踪，效果一般。标准算法选择Hue分量作为特征，为了提高对背景的鲁棒性，有人提出了结合梯度、LBP等特征的多特征空间。但是直方图维数太少，而且丢失空间信息，使得特征分类价值退化严重。经测试，对于背景颜色与肤色类似（黄色）的情况，跟踪失效。因此看了看市面上的产品如何做流量统计。

人流量监测一般采用摄像头吊顶安装俯拍的方式，以避免客流量大时的遮挡、重叠等问题。

参考资料：

1： 。一种嵌入式方案，利用HOG特征进行人头检测。分为训练与检测两部分，分类器选择SVM。类似文安方案，文安的演示视频效果不好。问题与思考：训练的分类器对于戴帽子如何处理？如果地面背景与人头的主要颜色类似呢（比较少）。

2、采用头部与肩部结合的特征（类似飞瑞斯的方案，飞瑞斯的演示不错，当然环境比较单一）。   HAAR与HOG的两级分类器，由粗到细，提高速度。分类器特征：HOG（利用了结构对称性） 训练方式：AdaBoost，分类器 SVM级联

3、源代码   貌似有训练好的分类器，跟踪算法为粒子滤波。

 

 

问题与思考：有的方案利用了运动检测，只处理运动的部分。那么对于人头停留（暂停运动），是否有影响？

分类器的训练样本来自哪里？是统一训练，还是根据安装场景不同，采集不同的样本进行训练？