Τεχνικές για αξιόπιστα συστήματα παρακολούθησης

Abstract

Τα συστήματα παρακολούθησης έχουν σημαντικό ρόλο στις εφαρμογές ανίχνευσης συμβάντων και ανάλυσης. Ωστόσο, οι τεχνικές παρακολούθησης αντικειμένων εξακολουθούν να είναι μία από τις μεγαλύτερες προκλήσεις στον τομέα της όρασης υπολογιστών, παρόλο που έχουν μελετηθεί εκτενώς κατά τη διάρκεια των προηγούμενων ετών. Στην παρούσα διατριβή, παρουσιάζεται η ροή αντικείμενου, η οποία χρησιμοποιείται για την εκτίμηση της μετατόπισης και της κατεύθυνσης ενός συγκεκριμένου αντικειμένου. Σε σύγκριση με τις τεχνικές ανίχνευσης και παρακολούθησης, η προτεινόμενη προσέγγιση μπορεί να υπολογίσει την κατεύθυνση του αντικειμένου με απευθείας τρόπο, ενώ παράλληλα μπορεί να αγνοεί άλλες άσχετες κινήσεις μέσα στην σκηνή. Ως εκ τούτου, η ροή αντικείμενου έχει τη δυνατότητα να εστιάζει συνεχώς σε ένα συγκεκριμένο αντικείμενο και να υπολογίζει το πεδίο της κίνησης του. Επίσης, η ροή αντικείμενου ενσωματώνεται σε μία αξιόπιστη προσέγγιση παρακολούθησης, η οποία χρησιμοποιεί ένα παραγωγικό prior, με στόχο να αντιμετωπίσει τις αλλαγές της εμφάνισης ενός αντικειμένου. Επιπλέον, προτείνεται ένας μηχανισμός επαλήθευσης δείγματος πραγματικού χρόνου. Η αποτελεσματικότητα της προτεινόμενης μεθόδου παρουσιάζεται σε ποικίλες ακολουθίες, όπως σε ένα σύνθετο βιομηχανικό περιβάλλον. Τα πειραματικά αποτελέσματα δείχνουν ότι η προτεινόμενη τεχνική είναι αξιόπιστη και έχει καλύτερη απόδοση από άλλες μοντέρνες τεχνικές παρακολούθησης αντικειμένων.

Camera based supervision is a critical part of event detection and analysis applications. However, visual tracking still remains one of the biggest challenges in the area of computer vision, although it has been extensively discussed during in the previous years. In this thesis, object flow is introduced, for estimating both the displacement and the direction of an object-of-interest. Compared to the detection and tracking techniques, the proposed approach obtains the object displacement directly, while ignoring other irrelevant movements in the scene. Hence, object flow has the ability to continuously focus on a specific object and calculate its motion field. A robust tracking approach based on object flow and an observation model that utilizes a generative prior are adopted to tackle the pitfalls that derive from the appearance changes of the object-of-interest. In addition, an on-line sample verification mechanism is proposed. The efficiency of the proposed technique is demonstrated on various sequences, such as a complex industrial environment. The experimental results show that the proposed technique is sound, yielding improved performance in comparison with other tracking approaches.