Eu posso ver vários problemas possíveis com essa abordagem. Falo da minha própria experiência aqui de melhorar um sistema de contagem de pedestres com uma abordagem muito semelhante, portanto não pretendo ser desencorajador. Pelo contrário, gostaria de alertá-lo sobre possíveis obstáculos que talvez você precise superar para criar um sistema preciso e robusto.
Em primeiro lugar, a subtração de fundo pressupõe que os objetos de interesse sempre estarão em movimento e os objetos que você não está interessado em contar permanecerão completamente imóveis. Certamente, esse pode ser o caso no seu cenário, mas ainda é uma suposição muito limitante. Também achei a subtração de fundo muito sensível a mudanças na iluminação (concordo com a geometrikal).
Desconfie de assumir que uma gota = uma pessoa , mesmo que você pense que seu ambiente é bem controlado. Muitas vezes acontecia que os blobs correspondentes às pessoas não eram detectados porque não estavam em movimento ou eram muito pequenos; portanto, eles foram excluídos pela erosão ou por alguns critérios de limiar (e acredite, você não quer entrar no " ajustar limites até que tudo funcione "armadilha. Não funciona;)). Também pode acontecer que um único blob corresponda a duas pessoas caminhando juntas ou uma única pessoa carregando algum tipo de bagagem. Ou um cachorro. Portanto, não faça suposições inteligentes sobre os blobs.
Felizmente, como você menciona que está usando LBPs para detecção de pessoas , acho que está no caminho certo para não cometer erros no parágrafo acima. Mas não posso comentar sobre a eficácia dos LBPs em particular. Também li que o HOG (histograma de gradientes) é um método de ponta na detecção de pessoas; consulte Histogramas de gradientes orientados para detecção humana .
Minha última queixa está relacionada ao uso do Camshift . Ele é baseado em histogramas de cores e, por si só, funciona bem ao rastrear um único objeto que é fácil de distinguir por cor, desde que a janela de rastreamento seja grande o suficiente e não haja oclusões ou alterações bruscas. Mas assim que você precisa rastrear vários destinos que podem ter descrições de cores muito semelhantes e que se aproximam muito um do outro, você simplesmente não pode prescindir de um algoritmo que de alguma forma permita manter várias hipóteses. Pode ser um filtro de partículas ou uma estrutura como o MCMCDA (Associação de dados de Monte Carlo em cadeia de Markov , consulte Associação de dados de Monte Carlo em cadeia de Markov para rastreamento de vários alvos) Minha experiência em usar o Meanshift sozinha ao rastrear vários objetos é tudo o que não deve acontecer com o rastreamento: perder o controle, destinos confusos, fixar em segundo plano etc. Leia um pouco sobre problemas de rastreamento de objetos e associação de dados. Afinal, é importante contar várias pessoas (eu digo "pode ser" porque seu objetivo é contar não rastrear, então não descarto completamente a possibilidade de uma abordagem inteligente que conte sem rastrear ...)
Meu último conselho é: não há tanta coisa que você pode fazer com uma determinada abordagem , e você vai precisar de material mais sofisticado para conseguir uma melhor performance (assim que eu discordar user36624 a este respeito). Isso pode implicar na alteração de uma parte do seu algoritmo por algo mais poderoso, ou na alteração completa da arquitetura. Claro, você precisa saber quais coisas sofisticadas são realmente úteis para você. Existem publicações que tentam resolver o problema de uma maneira baseada em princípios, enquanto outras simplesmente criam um algoritmo para um determinado conjunto de dados e esperam que você treine um classificador que não seja realmente adequado ao problema em questão, enquanto exige que você ajuste alguns limites também. A contagem de pessoas épesquisa em andamento, então não espere que as coisas aconteçam facilmente. Faça um esforço para aprender coisas que estão um pouco além da sua capacidade e, em seguida, faça isso de novo e de novo ...
Reconheço que não ofereci nenhuma solução e, em vez disso, apenas apontei falhas em sua abordagem (que vêm de minha própria experiência). Para inspiração, recomendo que você leia algumas pesquisas recentes, por exemplo, Rastreamento de vários alvos estável em vídeo de vigilância em tempo real . Boa sorte!