بخشی از مقاله
چکیده
ردیابی هدف متحرک فرایندی است که در آن یک شیء مشخص در یک دنباله ویدئویی از قابها تعقیب و مکان آن در هر قاب آشکار میشود. در روش پیشنهاد شده پس از آشکارسازی هدف توسط موس، ناحیه ای هم مساحت با شیء در اطراف آن به عنوان زمینه در نظر گرفته می شود. سپس ویژگی های بافت و رنگ از این دو ناحیه استخراج می شود و این ویژگی ها به عنوان ویژگی های شیء و زمینه به ماشین یادگیر بیشینه آموزش داده می شود و سپس آزمایش می شود.
از ماشین یادگیر بیشینه به عنوان یک تابع امتیاز دهی استفاده می گردد که از آن برای تشخیص پیکسل های شیء در فریم بعد استفاده شده است. برای مکان یابی محل شیء نیز از مرکز ثقل پیسکل هایی که توسط ماشین یادگیر بیشینه به عنوان هدف تشخیص داده شده است همراه با رویکرد جابه جایی میانگین استفاده شده است. همچنین معیاری برای محاسبه تغییرات مقیاس و مدل شیء ارائه شده است. الگوریتم ارائهشده بر روی پایگاه داده استاندارد Tracking Dataset اجرا شد. نتایج آزمایشها کارآمدی روش ارائه شده را در دقت ردیابی نسبت به الگوریتمهای مطرح در ردیابی نشان میدهد.
-1 مقدمه
کشف و ردیابی اشیاء متحرک یک گام اساسی در تجزیه و تحلیل ویدئو میباشد و به همین خاطر بطور گستردهای در سیستمهای بینایی ماشین مانند سیستمهای نظارتی، کنترل ترافیک، ناوبری خودکار، تعامل انسان با کامپیوتر و رباتیک استفاده میشود، زیرا سیستمهای مذکور نیازمند دریافت و پردازش ویدئوهای دریافتی از محیط اطراف خود و در نهایت تجزیه و تحلیل رفتار و رخدادهای موجود در این ویدئوها میباشند. از آنجایی که دقت و سرعت از عوامل مهم در عملکرد مطلوب سیستمهای مذکور میباشند، در نتیجه ارائه روشهای ردیابی اشیاء متحرک که دارای زمان مصرفی کم و دقت بالا باشند منجر به افزایش سطح کیفیت عملکرد این سیستمها خواهد شد.
بر اساس تعریف ارائه شده در - Yilmaz et al, 2006 - ، ردیابی اشیاء متحرک دنبال کردن مسیر حرکت یک شی یا اشیاء متحرک در دنبالهای از تصاویر ورودی است. اشیاء متحرک مورد ردیابی میتواند هر شی متحرکی مانند ماهی درون آب، قایق درون دریا، عابر پیاده در پیادهرو، اتومبیل در بزارگراهها و غیره باشد که بر اساس کاربرد نیازمند به تعیین مکان آنها می باشد. به عنوان مثال در یک سیستم ناوبری خودکار - اتومبیل بدون راننده - باید بتوان اشیاء متحرک موجود در اطراف سیستم را تشخیص داده و در هر زمان موقیت این اشیاء را برای اجتناب از برخورد با دیگر اشیاء را تعیین کرد. الگوریتمهای ردیابی باید بتوانند در مقابل چالشهای زیادی مانند تغییرات شدت روشنایی محیط، تغییر جهت ناگهانی اشیاء، وجود انواع مختلف اشیاء، همپوشانی و غیره از خود انعطاف نشان دهند.
تاکنون روشهای مختلفی برای ردیابی اشیاء متحرک در تصاویر متوالی پیشنهاد شده است. در یک دستهبندی الگوریتمهای ردیابی به چهار دسته ردیابی نقاط، ردیابی بر اساس هسته، ردیابی سیاهنما و روشهای تفریق پسزمینه تقسیم-بندی میشوند . - Yilmaz et al., 2006 - هر یک از الگوریتمهای مطرح شده محدودیتهایی دارند که با توجه به شرایط مساله الگوریتم مناسب انتخاب میشود. الگوریتمهای ردیابی نقاط را الگوریتمهای ردیابی مبتنی بر تطبیق مشخصه نیز مینامند. به دلیل ناتوانی در جداسازی پیشزمینه از پسزمینه، الگوریتمهای ردیابی مبتنی بر تطبیق مشخصه در ردیابی اشیاء صلب نتیجهی بهتری را ارائه میدهند.
هنگامیکه شیء غیرصلب باشد، ویژگیهای استخراج شده از پسزمینه الگوریتم را با مشکل مواجه خواهد کرد - Shuo et al, . - 2012 سرعت پردازش در روشهای تطبیق مشخصه خوب است؛ ولی انتخاب ویژگیهایی که بتوانند در مقابل تغییرهای شدت روشنایی، نویز، دوران، تغییر مقیاس و زاویه دید مقاوم باشند، مشکلی است که هنوز باقی مانده است. روشهای ردیابی نقاط به دو دسته قطعی1 و آماری2 تقسیمبندی میشوند.
روشهای قطعی برای تطبیق نقاط با استفاده از مجموعهای از شروط حرکتی، یک هزینه وابستگی برای هر شیء در قاب − به یک شیء در قاب تعریف میکنند که هدف کمینه کردن هزینه تطبیق به عنوان یک مساله بهینهسازی است . - Yilmaz et al., 2006 - در روشهای تخمین آماری مانند فیلتر کالمن3 و فیلتر ذرهای4 از رویکرد فضای حالت5 برای مدل کردن ویژگیهای خاصی از شیء مانند موقعیت، سرعت و شتاب استفاده میکنند . - Bar-Shalom, 1987 -
-2 کارهای گذشته
در مرجع - Shuo et al., 2012 - یکی از الگوریتمهای ردیابی مبتنی بر تطبیق مشخصه ارائه شده است. در قاب اول نقاط کلیدی توسط آشکارساز SURF از ناحیه هدف که به صورت دستی مشخص شده است، استخراج میشود. سپس در قابهای بعدی نقاط کلیدی توسط آشکارساز SURF پیرامون ناحیه هدف در قاب قبلی و با شعاعی بیشتر استخراج میشود. همچنین در این الگوریتم برای یافتن نقاط تطبیقی و ناحیه هدف از فاصله اقلیدسی بین توصیفگرهای نقاط کلیدی استخراج شده استفاده میشود.
در مرجع - عبیری و محزون, - 2015 بهمنظور ردیابی اهداف متحرک هوایی، با تخمین چگالی هسته گوسی، هیستوگرام وزندارشده مدل هدف بهدستآمده و با اعمال واریانس یک نویز تصادفی در محل هدف، موقعیت ذرات نامزد در قاب بعد پیشگویی میشوند. در این مقاله ذرات نامزد توسط فاصله باچاتاریا وزندار شده و تعداد مراحل باز نمونهبرداری در هر قاب، متناسب با وزن ذرات در الگوریتم فیلتر ذره بهصورت وفقی تعیین میگردند. همچنین بهمنظور کنترل تغییرات شیء متحرک، شعاع هسته گوسی با لبهیابی مشخص میشود.
در - R. Zhang and Ding, 2012 - کشف و ردیابی اشیاء متحرک را با به روزرسانی مدل پسزمینه با الگوریتم فیلتر میانه انجام دادند. آنها در هر گام پسزمینه را با جایگذاری مقدار میانه همسایههای هر پیکسل بروز رسانی کرده و با اعمال الگوریتم تفریق پسزمینه نواحی متحرک را بدست آوردند. در ادامه با الگوریتم مولفههای متصل اشیاء متحرک را کشف کرده و از مرکز هر شی بعنوان فاکتور ردیابی استفاده کردند.
-3 روش پیشنهادی
در این مقاله روشی جدید برای ردیابی اهداف متحرک با استفاده از ماشین یادگیر بیشینه6 ارائه می شود. آموزش ماشین یادگیر بیشینه مورد استفاده به صورت آنلاین بوده و براساس ناحیه ی پس زمینه و ناحیه ی هدف استخراج شده از فریم اول، انجام می شود. پس از دسته بندی ناحیه ی پس زمینه و ناحیه هدف، مکان هدف توسط الگوریتم جابه جایی میانگین7 تعیین می شود . به منظور کنترل تغییر مقیاس شیء از پیشینه ی هدف در فریم های قبلی استفاده می شود. همچنین برای کنترل تغییرات ظاهری هدف، مدل آن به روز رسانی خواهد شد. در ادامه بخش های مختلف سیستم ردیابی به تفضیل مورد بررسی قرار می گیرد.
انتخاب نواحی شیء و زمینه
در روش پیشنهادی در ابتدا شیء مورد نظر برای ردیابی در فریم اول آشکارسازی می شود سپس ناحیه ای تقریبا هم مساحت با شیء در اطراف آن به عنوان زمینه در نظر گرفته می شود. ویژگی های بافت و رنگ از این دو ناحیه استخراج می گردد و در مرحله بعد این ویژگی ها به عنوان ویژگی های شیء و زمینه به ماشین یادگیر بیشینه آموزش داده می شود. دلیل انتخاب ناحیه ای هم مساحت با شیء در اطراف آن، داشتن تعدادی تقریبا برابر از پیکسل های شیء و زمینه برای بالا بردن عملکرد طبقه بندی کننده ماشین یادگیر بیشینه است. شکل 1 مثالی از نحوه ی انتخاب شیء و زمینه ی اطرافش را نمایش می دهد.