Обработка перекрытий в задачах отслеживания объектов в видеопотоке
7
▪ частичное;
▪ полное;
▫ по времени перекрытия:
▪ долгосрочное;
▪ мгновенное;
▪ изменение состояния окружения при изменении состояния
наблюдателя.
С неопределенностью, как правило, борются путем выделения
специальных, характерных только для конкретной цели признаков
[1, 19]. Проблему изменения состояния цели и освещенности решают
постоянной адаптацией модели к изменяющимся условиям — обуче-
нием трекера или рассмотрением модели в инвариантных для подоб-
ных изменений цветовых пространствах (например, HSL [2]).
Проблема шума решается применением разнообразных фильтров (к
примеру, медианного или ранжирующего [34]), задача управления
оптической схемой ― физически (системы с оптической стабилиза-
цией) или программно (адаптацией модели).
На проблеме перекрытия объектов стоит остановиться подроб-
нее, так как она является одной из самых нетривиальных и трудно
формализуемых. Действительно, отслеживаемый объект может при
своем перемещении частично или полностью скрыться из поля зре-
ния на неопределенное время, а трекер должен продолжать отслежи-
вание цели в обычном режиме. Перекрытия оказывают большое вли-
яние на качество отслеживания, часто значительно ухудшая показа-
тели трекеров. Кроме того, существует известная проблема «курицы
и яйца» [35] — ситуация перекрытия должна быть определена до то-
го, как цель будет точно локализована в кадре путем маскирования
перекрытой части, в то время как определить перекрытую часть цели
можно будет только после того, как цель будет локализована в кадре.
Ниже представлен обзор существующих решений данной проблемы.
Подход к решению задачи во многом определяется типом трекера.
Адаптация к изменениям цели.
WSL Appearance Model.
В [26]
предлагается алгоритм адаптивного трекинга, использующего для
представления цели три компонента-распределения: стабильный
S
(обучаемый за весь период времени), переходный
W
(за два кадра) и
компонент выбросов
L
. При этом перекрытия характеризуются ком-
понентом выбросов, имеющим равномерное распределение. Алго-
ритм адаптирует модель к медленным изменениям цели, обучая
таким образом стабильный компонент. Он наиболее надежен и ис-
пользуется для оценки движения, а переходный — как дополнитель-
ное ограничение. Оба этих компонента имеют распределение Гаусса.
Обучение модели производится с помощью
EM
-алгоритма, адапти-
рованного под использование в реальном времени. При этом тре-
