Metoda śledzenia obiektów w obrazach termowizyjnych z procedurą adaptacyjnego aktualizowania modelu obiektu

• Autorzy: Bieszczad G. , Sosnowski T. , Orżanowski T. , Kastek M.

Warianty tytułu

EN

The enhanced sum of squared differences method for tracking objects in thermal vision pictures

• Języki publikacji: PL

Abstrakty

PL

Śledzenie obiektów jest coraz częściej stosowane w systemach wizyjnych używanych do ochrony mienia, kompresji sekwencji wideo czy w produkcji filmowej. Śledzenie obiektu polega na wyznaczeniu jego położenia na pewnej klatce obrazu, na podstawie znajomości jego położenia na poprzednich klatkach. Zadanie to jest szczególnie utrudnione, jeśli wymagany jest krótki czas wykonywania śledzenia. Ponadto w obrazie termowizyjnym nie można śledzić obiektów za pomocą metod stosowanych dla obrazu widzialnego. W artykule został omówiony nowy algorytm śledzenia obiektów w obrazie termowizyjnym polegający na modyfikacji metody Sum of Squared Differences.

EN

Real-time object tracking is a critical task in many computer vision applications such as surveillance, object based video compression, or driver assistance. Object tracking is a process of finding a chosen object within a frame using the knowledge about its position in the previous frames. The most challenging issues encountered during visual object tracking are cluttered background, noise, occlusions and change in appearance of the tracked objects. This task is even more challenging when tracking is time constrained, and evaluation of the object position has to be performed in real-time. There exist many techniques for tracking objects but most of them are implemented in colour vision systems. Tracking algorithms for thermal vision systems have not been investigated well yet. This paper deals with adopting the sum of squared differences (SSD) tracking algorithm to thermal vision image sequences. Gradient based tracking methods, like SSD, evaluate target transition by finding changes between two consequent frames. The changes are estimated with gradients in space and time by finding the smallest SSD coefficient. This method is of relatively low computational complexity and can be used in real-time system. In the paper the enhanced SSD algorithm is presented. The enhancement consists in the conditional model update based on the SSDVar coefficient. There is also presented an experiment in which the traditional and enhanced SSD methods are compared.

Słowa kluczowe

PL

przetwarzanie obrazów; śledzenie obiektów; termowizja

EN

image processing; object tracking; thermal vision

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2009
• Tom: R. 55, nr 5
• Strony: 292--296
• Opis fizyczny: bibliogr. 17 poz., rys., wykr., wzory

Twórcy

autor

Bieszczad G.

autor

Sosnowski T.

autor

Orżanowski T.

autor

Kastek M.

• Instytut Optoelektroniki, Wojskowa Akademia Techniczna,

Bibliografia

• [1] Bieszczad Grzegorz “Methods of object tracking in vision systems”, AFCEA Symposium, Brussels 2008.
• [2] R. Dulski H. Madura, T. Piątkowski, T. Sosnowski, Analysis of a thermal scene using computer simulations, Infrared Physics & Technology, 49 (2007) p. 257-260.
• [3] R. Dulski, Enhancement of the quality of IR images, Advanced Infrared Technology and Applications AITA 9, Leon (8-12 October 2007), Conference Proceedings, p. 271–274, (2008).
• [4] Kastek M., Piątkowski T., Polakowski H., Sosnowski T., “Methane detection in far infrared using multispectral IR camera”, 9th International Conference on Quantitative InfraRed Thermography, Kraków, materiały konferencyjne, pp. 347-350, 2008.
• [5] H. Polakowski, R. Dulski, K. Formanty, Evaluation of sky and clouds IR radiation, Advanced Infrared Technology and Applications AITA 9, Leon (8-12 October 2007), Conference Proceedings, p. 383–386 (2008).
• [6] Dorin Comaniciu, Visvanathan Ramesh, Peter Meer “Kernel-Based Object Tracking”, IEEE Transactions Pattern Analysis and Machine Intelligence, May 2003, Volume: 25, Issue: 5, pages: 564-577.
• [7] Hager G. Belhumeur P., “Efficient region tracking with parametric models of geometry and illumination”, IEEE Trans. Pattern Anal. Mach. Intell. 20 (10) (1998) 1025-1039.
• [8] Venkatesh Babu R., Perez Patrick, Bouthemy Patrick, “Robust tracking with motion estimation and local Kernel-based color modeling”, Image and Vision Computing 25 (2007) 1205/1216.
• [9] Malina Witold, Maciej Śmiatacz „Metody cyfrowego przetwarzania obrazów” Akademicka oficyna wydawnicza EXIT, Warszawa 2005.
• [10] Gonzalez R. C, Woods R. E. “Digital Image Processing (2nd Edition)”, Prentice-Hall 2002.
• [11] Praca zbiorowa “Pomiary termowizyjne w praktyce” Agencja Wydawnicza PAKu – Warszawa 2004.
• [12] V. Javier Traver, Filiberto Pla “Similarity motion estimation and active tracking through spatial-domain projections on log-polar images” Computer Vision and Image Understanding Volume 97, Issue 2, February 2005, Pages 209-241.
• [13] C. Barrón, I.A. Kakadiaris : “Monocular human motion tracking” Multimedia Systems 10: 118–130 (2004).
• [14] James M. Ferryman, Stephen J. Maybank, Anthony D. Worrall: “Visual Surveillance for Moving Vehicles”, International Journal of Computer Vision 37(2), 187–197, 2000.
• [15] Kastek M., Sosnowski T., Piątkowski T.: „Passive infrared detektor used for detection of very slowly moving of cravling people” Opto-Electronics Review, 16, no 3, 2008, 328-335.
• [16] Madura H., Dąbrowski M., Sosnowski T., Trzaskawka P.: Metod of automatic recognition of helicopters flying AT low altitudes” 9th International Conference on Quantitative InfraRed Thermography, QIRT2008, Kraków (2-5.07.2008).
• [17] Sosnowski T., Orżanowski T. Kastek M., Madura H.: „Hardware implementation of object detection algorithms in thermovision observation systems”, Advanced Infrared Thermography and Applications AITA 9, Leon (8-12.10.2007).