Śledzenie obiektów z wykorzystaniem obrazowania spektralnego

• Autorzy: Tutak K. , Pieszko M.

Warianty tytułu

EN

Object tracking with spectral imagery

• Języki publikacji: PL

Abstrakty

PL

Niniejsza praca poświęcona jest analizie skuteczności śledzenia obiektów przy pomocy obrazowania spektralnego wykonywanego za pomocą 16-kanałowej kamery spektralnej rejestrującej dane w trybie wideo w zakresie 400-1000 nm. Wykorzystano algorytm Lucas-Kanade, wyznaczający przepływ optyczny w charakterystycznych punktach obrazu, określonych metodą Shi-Tomasi. Śledzenie inicjowane jest ręcznie poprzez wskazanie prostokątnego okna zawierającego obiekt. Do przetwarzania wybierany jest monochromatyczny obraz odpowiadający długości fali, dla której liczba punktów leżących w tym oknie jest największa. Zastosowano reprezentację obrazu w formie piramidy, dzięki czemu zmniejszono zależności od zmian skali obserwowanego obiektu. Otrzymane w każdym kroku śledzenia nowe pozycje punktów charakterystycznych były analizowane w celu odrzucenia obserwacji odstających. Wykonano szereg eksperymentów polegających na próbie śledzenia makiety samochodu wojskowego w trudnych warunkach oświetlenia i przy niejednorodnym tle o kolorystyce zbliżonej do barw maskujących pojazdu. Otrzymane rezultaty potwierdziły zasadność stosowania obrazowania spektralnego do śledzenia obiektów.

EN

This paper is devoted to the analysis of the effectiveness of object tracking with spectral imagery performed with a 16-channel spectral video camera operating in the 400-1000 nm range. We used the Lucas-Kanade algorithm which computes the optical flow at characteristic points of the image which were determined by the Shi-Tomasi method. The tracking is initialized manually by pointing to a rectangular window containing the object. Monochrome image corresponding to the wavelength for which the number of points lying in this window is the greatest is selected for processing. We used a representation of an image in the form of a pyramid, so that dependence on scale changes of the observed object was reduced. New positions of characteristic points received in each step of tracking were analyzed in order to reject outliers. We performed a series of experiments that tries to track military vehicle model under difficult lighting conditions and heterogeneous background of a color similar to the vehicle masking colors. Obtained results confirmed the advisability of applying spectral imagery for object tracking.

Słowa kluczowe

PL

obrazowanie spektralne; przetwarzanie obrazów; śledzenie obiektów; przepływ optyczny; spektralny system wizyjny

EN

hyperspectral imaging; image processing; object tracking; optical flow; spectral vision system

• Wydawca: Wrocławska Wyższa Szkoła Informatyki Stosowanej "Horyzont"
• Czasopismo: Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka
• Rocznik: 2015
• Tom: vol. 5
• Strony: 36--41
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Tutak K.

• .Enformatic Sp. z o.o., ul. Mieszka I 73A, 35-303 Rzeszów

autor

Pieszko M.

• Enformatic Sp. z o.o., ul. Mieszka I 73A, 35-303 Rzeszów

Bibliografia

• [1] A. Yilmaz , O. Javed , M. Shah, Object tracking: A survey, ACM Computing Surveys vol. 38, no. 4 (2006), 38.
• [2] H. Yang, L. Shao, F. Zheng, L. Wang, Z. Song, Recentadvances and trends in visual tracking: A review, Neurocomputing 74 (2011), 3823-3831.
• [3] H. V. Nguyen, A. Banerjee, R. Chellappa, Tracking via Object Reflectance using a Hyperspectral Video Camera, IEEE Computer Society Conference (2010), 44 - 51.
• [4] H. V. Nguyen, A. Banerjee, P. Burlina, J. Broadwater, R. Chellappa, Tracking and Identification via Object Reflectance Using a Hyperspectral Video Camera, Machine Vision Beyond Visible Spectrum (2011), 201-219.
• [5] B. Aminov, O. Nichtern, S. R. Rotman, Spatial and temporal point tracking in real hyperspectral images, EURASIP Journal on Advances in Signal Processing no. 1 (2011).
• [6] J. Blackburn, M. Mendenhall, A. Rice, P. Shelnutt, N. Soliman, J. Vasquez, Feature Aided Tracking with Hyperspectral Imagery, Signal and Data Processing of Small Targets (2007).
• [7] H. Sheng, Y. Ouyang , C. Li, W. Rong, Z. Xiong, Tracking Dim–Small Object Based on the Hyperspectral Features, Arabian Journal for Science and Engineering, vol. 39 (2014), 1725-1736.
• [8] T. Wang, Z. Zhu, E. Blasch, Bio-Inspired Adaptive Hyperspectral Imaging for Real-Time Target Tracking, Sensors Journal IEEE vol. 10, no. 3 (2010), 647-654.
• [9] B. Uzkent, M. Hoffman, A. Vodacek, Spectral Validation of Measurements in a Vehicle Tracking DDDAS, Procedia Computer Science vol. 51 (2015), 2493–2502.
• [10] S. S. Beauchemin, J. L. Barron, The computation of optical flow, ACM Computer Surveys vol. 27, no. 3 (1995), 433-466.
• [11] B. D. Lucas, T. Kanade, An iterative image registration technique with an application to stereo vision, Proceedings of the 7th joint conference on Artificial intelligence vol. 2 (1981), 674-679.
• [12] T. Lindeberg, Scale-Space Theory in Computer Vision, Kluwer Academic Publishers 1994.
• [13] J. Shi, C. Tomasi, Good Features to Track. Technical Report, Cornell University 1993
• [14] Strona internetowa Surface Optics Corporation. (2015-05-18). Hyperspectral and Multispectral Imagers [Online]. Dostępne pod adresem: http://surfaceoptics.com/products/hyperspectral-imaging
• [15] G. Bradski, Learning OpenCV, O’Reilly 2008. Badania realizowane w ramach Projektu "Zbadanie możliwości śledzenia, identyfikacji i kontroli jakości przy użyciu 16-32 kanałowej kamery do obrazowania spektralnego w zakresie 400-1000 nm", Nr WNDRPPK.01.03.00 -18-044/13 współfinansowanego ze środków Unii Europejskiej z Europejskiego Funduszu Rozwoju Regionalnego oraz Budżetu Państwa w ramach Regionalnego Programu Operacyjnego Województwa Podkarpackiego. Inwestujemy w rozwój województwa podkarpackiego.