1. Inicio
  2. Atrás
Título: Seguimiento de múltiples objetos pequeños con manejo de oclusión
Autores: MARIO LEOPOLDO BUSTILLO EGUILUZ
Fecha: 2015-02
Publicador: INAOE
Fuente:
Tipo: info:eu-repo/semantics/masterThesis
Tema: info:eu-repo/classification/Visión por computadora/Computer vision
info:eu-repo/classification/Señales de vídeo/Video signal processing
info:eu-repo/classification/Seguimiento óptico/Optical tracking
info:eu-repo/classification/Filtros de seguimiento/Tracking filters
info:eu-repo/classification/cti/1
info:eu-repo/classification/cti/12
info:eu-repo/classification/cti/1203
Descripción: Una de las principales ramas de visión por computadora es el seguimiento de objetos. Esto ha despertado el interés de muchos investigadores debido a sus diversas aplicaciones, tanto para la industria como para la ciencia. Durante varias décadas se ha innovado en esta área, como resultado diversos algoritmos han surgido. Los algoritmos modernos son capaces de resolver muchos problemas complejos, sin embargo, para el seguimiento de objetos pequeños en estado de oclusión todavía no se obtienen resultados satisfactorios. Muchos algoritmos de seguimiento son inapropiados para el seguimiento múltiple, debido a la complejidad computacional, la dimensionalidad del problema y la falta de una estructura capaz de representar múltiples estados y observaciones. Por otra parte, los objetivos pequeños no tienen suficientes pixeles asociados para generar una representación concluyente. En la última década han surgido técnicas que permiten el seguimiento de múltiples objetivos en ambientes con ruido. El filtro Probability Hypothesis Density (PHD), propuesto por Mahler [?], es la principal técnica para resolver el seguimiento de múltiples objetos en un marco unificado multi objetivo. El rendimiento del filtro PHD es perceptiblemente mejor a otros métodos tradicionales como el filtro de Kalman, el filtro de partículas y JPDAF. El problema principal de PHD y sus diferentes variantes, es que no soportan la asociación de datos, por lo tanto, la oclusión o identificación de objetivos no se pueden manejar en estos algoritmos. En este trabajo se adapta una variante con solución cerrada y práctica de PHD (GM-PHD) para el manejo de la oclusión, configurando tanto las probabilidades de detección y las distribuciones de los objetos automáticamente. También se incorpora un módulo de asignación de etiquetas para identificar a cada objetivo. La adaptación del filtro PHD propuesto se evalúa en diferentes escenarios tanto sintéticos como reales. En los escenarios sintéticos se compara el rendimiento del filtro contra sus más cercanos competidores (CGM-PHD, MHT). Por otro lado, en los videos, se utilizan objetivos pequeños en situaciones de alta densidad de ruido y oclusión para evaluar el algoritmo en el problema del seguimiento de múltiples objetivos pequeños.
Idioma: spa