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. |