Analiza algorytmów śledzenia obiektów na bazie obrazu video

• Autorzy: Walczyna Tomasz , Matuszewski Jan

Identyfikatory

DOI

10.15199/13.2020.6.3

Warianty tytułu

EN

Analysis of video-based tracking algorithms

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono analizę wybranych algorytmów śledzenia obiektów na bazie obrazu video. Śledzenie obiektów ma szereg zastosowań, takie jak monitoring, w interakcjach człowieka z komputerem, sterowanie pojazdami i robotami. Przedstawione tutaj algorytmy zostały wybrane ze względu na zdolność działania w czasie rzeczywistym i nie wymagających uzyskiwania informacji z przyszłych klatek filmu video. Analiza ich efektywności została przeprowadzona dla dwóch filmów video. Efektywność śledzenia w danej chwili czasu określana jest indeksem nakładania się obrazów Jaccarda, liczbą analizowanych klatek filmu na sekundę i poprawnością śledzenia. Wyniki obliczeń dla wszystkich analizowanych algorytmów przedstawiono na wykresach i w tabelach.

EN

The article presents an analysis of selected object tracking algorithms based on a video image. The importance of object tracking is reflected in a wide range of applications, such as monitoring, in human-computer interactions as well as vehicle and robot control. These algorithms were selected taking into account the ability to operate in real time, not requiring obtaining information from future frames of the video. The analysis was carried out for two video films. The tracking efficiency at a given time is determined by the Jaccard index Intersection-over-Union (IoU), number of analyzed frames per second and tracking correction. The calculation results for all analyzed algorithms are depicted on the appropriate figures and comparative tables.

Słowa kluczowe

PL

algorytmy śledzenia obiektów; konwolucyjne sieci neuronowe; rozpoznawanie obrazów

EN

object tracking algorithms; convolutional neural network; image recognition

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2020
• Tom: Vol. 61, nr 6
• Strony: 19--24
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr.

Twórcy

autor

Walczyna Tomasz

autor

Matuszewski Jan

• Wojskowa Akademia Techniczna, Wydział Elektroniki, Instytut Radioelektroniki, Warszawa

Bibliografia

• [1] Helmut Grabner, Michael Grabner, and Horst Bischof, Real-time tracking via on-line boosting, BMVC, vol. 1, 2006.
• [2] Boris Babenko, Ming-Hsuan Yang, and Serge Belongie, Visual tracking with online multiple instance learning, CVPR, 2009.
• [3] Joao F. Henriques, Rui Caseiro, Pedro Martins, and Jorge Batista, High-Speed Tracking with Kernelized Correlation Filters, CVPR, 2014.
• [4] David Held, Sebastian Thrun, Silvio Savarese, Learning to Track at 100 FPS with Deep Regression Networks, CVPR, 2016.
• [5] Alex Bewley, Zongyuan Ge, Lionel Ott, Fabio Ramos, Ben Upcroft, Simple Online And Realtime Tracking, CVPR, 2017.
• [6] Nicolai Wojke, Alex Bewley, Dietrich Paulus, Simple Online And Realtime Tracking With A Deep Association Metric, CVPR, 2017.
• [7] Joseph Redmon, Ali Farhadi, YOLOv3: An Incremental Improvement, CVPR, 2018.
• [8] Liang Zheng, Zhi Bie, Yifan Sun, Jingdong Wang, Chi Su, Shengjin Wang, Qi Tian, MARS: A Video Benchmark for Large-Scale Person Re-identification, ECCV, 2016.
• [9] Zheng Tang, Milind Naphade, Ming-Yu Liu, Xiaodong Yang, Stan Birchfield, CityFlow: A City-Scale Benchmark for Multi-Target Multi-Camera Vehicle Tracking and Re-Identification, CVPR, 2019.
• [10] http://cocodataset.org/
• [11] Moudgil, Abhinav and Gandhi, Vineet, Long-term Visual Object Tracking Benchmark, Springer, Asian Conference on Computer Vision, 2018.
• [12] Walczyna T.: Projekt śledzenia poruszających się obiektów na bazie obrazu video. Praca dyplomowa, WAT, Warszawa 2020].

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).