Обработка перекрытий в задачах отслеживания объектов в видеопотоке
15
постоянно растущая модель цели, представленная в виде выборки
вариаций. На каждом кадре происходит обработка действительно
большого и постоянно растущего массива данных. В-третьих, про-
цесс поиска с использованием сканирующего окна подразумевает
проход по всем вариантам его расположения в кадре.
Задачу классификации можно решать с помощью нейронной или
нейронечеткой сети. Вообще, использование нечеткой модели для
представления постоянно изменяющейся цели довольно естественно
и позволило бы достаточно просто определять принадлежность тре-
буемому классу (и при этом хранить модель в компактном виде).
Процесс поиска также целесообразно ограничить наиболее вероят-
ными для появления цели областями, что позволило бы избежать
большого числа ошибок (ложных срабатываний) детектора. Помимо
этого, необходимо лучше обработать ситуацию с частичными пере-
крытиями, используя в трекере идеи
CAPOA
[35] с картой перекры-
тий или адаптации модели (с помощью обучения трекера, как в [36]).
Заключение.
В статье представлено описание задачи отслежива-
ния объектов в видеопотоке, введены основные понятия проблемной
области, освещены типовые решения задачи. Более подробно рас-
смотрены несколько решений с позиции проблемы перекрытий как
одной из наиболее весомых. Несмотря на слабую формализуемость
задачи и случайность процесса, проблема перекрытий для заданных
ограничений и условий является решаемой [24], [35]. При разработке
нового метода необходимо оценить лучшие стороны существующих
подходов и предложить интегральное решение.
ЛИТЕРАТУРА
[1] Maggio E., Cavallaro A.
Video tracking theory and practice
. Wiley, 2011.
[2] HSL // Wikipedia. URL.
[3] Moravec H. Towards automatic visual obstacle avoidance.
Proceedings of the
5
th
International Joint Conference on Artificial Intelligence
. Cambridge, MA,
1977.
[4] Harris C., Stephens M. A combined corner and edge detector.
Proceedings of
the 4th Alvey Vision Conference
, 1988, pp. 147–151.
[5] Meier T., Ngan K.N. Automatic segmentation of moving objects for video ob-
ject plane generation.
IEEE Transactions on Circuits and Systems for Video
Technology
, 1998, pp. 525–538.
[6] Alatan A.A., Onural L., Wollborn M., Mech R., Tuncel E., Sikora T. Image se-
quence analysis for emerging interactive multimedia services-the European
COST 211 framework.
IEEE Transactions on Circuits and Systems for Video
Technology
, 1998, pp. 802–813.
[7] Bezdek J.C., Ehrlich R., Full W. Fcm: The fuzzy c-means clustering algorithm.
Computers Geosciences
, 1984, pp. 191–203.
[8] Cavallaro T. Ebrahimi. Interaction between high-level and low-level image
analysis for semantic video object extraction.
EURASIP Journal on Applied
Signal Processing
, 2004, no. 6, pp. 786–797.
