Một thuật toán bắt bám đối tượng sử dụng đa nguồn tín hiệu ảnh
141 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.84.2022.32-41Từ khóa:
Mạng nơ-ron tích chập; Bắt bám đối tượng; Bộ lọc tương quan phân biệt; Kết hợp đa nguồn tín hiệu.Tóm tắt
Hiện nay, có nhiều thuật toán bắt bám đối tượng đạt hiệu quả khá tốt trên ảnh nhìn thấy (visible hay RGB images) như KCF, CSRDCF, SiamFC, SiamRPN, ATOM, SiamDW_ST, DiMP. Tuy nhiên, các phương pháp này bị giảm chất lượng khi điều kiện chiếu sáng của môi trường bị kém đi. Các thuật toán sử dụng kết hợp ảnh nhìn thấy và ảnh nhiệt (thermal hay TIR images) như FSRPN, SiamDW_T, mfDiMP đã chứng minh hiệu năng bắt bám đối tượng được nâng cao đáng kể so với khi chỉ dùng riêng ảnh nhìn thấy hoặc ảnh nhiệt. Trong bài báo sẽ trình bày kết quả nghiên cứu một thuật toán bắt bám đối tượng sử dụng đa nguồn ảnh với trọng số xác định theo điều kiện môi trường. Kết quả thử nghiệm trên bộ dữ liệu VOT-RGBT cho thấy thuật toán này có chỉ số EAO đạt 0,423, cao hơn so với một số thuật toán bắt bám đối tượng phổ biến hiện nay và đạt tốc độ khoảng 13 khung hình/giây trong điều kiện phần cứng phổ dụng.
Tài liệu tham khảo
[1]. M. Kristan et al., "The Seventh Visual Object Tracking VOT2019 Challenge Results," 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), pp. 2206-2241, (2019), doi: 10.1109/ICCVW.2019.00276. DOI: https://doi.org/10.1109/ICCVW.2019.00276
[2]. D. S. Bolme, J. R. Beveridge, B. A. Draper and Y. M. Lui, "Visual object tracking using adaptive correlation filters," 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 2544-2550, (2010), doi: 10.1109/CVPR.2010.5539960. DOI: https://doi.org/10.1109/CVPR.2010.5539960
[3]. Henriques, Joao & Caseiro, Rui & Martins, Pedro & Batista, Jorge. “High-Speed Tracking with Kernelized Correlation Filters”. IEEE Transactions on Pattern Analysis and Machine Intelligence. 37. 10.1109/TPAMI.2014.2345390, (2014). DOI: https://doi.org/10.1109/TPAMI.2014.2345390
[4]. Lukežič, A., Vojíř, T., Čehovin Zajc, L. et al. “Discriminative Correlation Filter Tracker with Channel and Spatial Reliability”. Int J Comput Vis 126, 671–688 (2018). https://doi.org/10.1007/s11263-017-1061-3 DOI: https://doi.org/10.1007/s11263-017-1061-3
[5]. M. Danelljan, G. Häger, F. S. Khan and M. Felsberg, "Convolutional Features for Correlation Filter Based Visual Tracking," 2015 IEEE International Conference on Computer Vision Workshop (ICCVW), pp. 621-629, (2015), doi: 10.1109/ICCVW.2015.84. DOI: https://doi.org/10.1109/ICCVW.2015.84
[6]. Bertinetto, Luca & Valmadre, Jack & Henriques, Joao & Vedaldi, Andrea & Torr, Philip. “Fully-Convolutional Siamese Networks for Object Tracking”. 9914. 850-865. 10.1007/978-3-319-48881-3_56, (2016). DOI: https://doi.org/10.1007/978-3-319-48881-3_56
[7]. B. Li, J. Yan, W. Wu, Z. Zhu and X. Hu, "High Performance Visual Tracking with Siamese Region Proposal Network," 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 8971-8980, (2018), doi: 10.1109/CVPR.2018.00935. DOI: https://doi.org/10.1109/CVPR.2018.00935
[8]. Danelljan, Martin & Bhat, Goutam & Khan, Fahad & Felsberg, Michael. “ATOM: Accurate Tracking by Overlap Maximization”. 4655-4664. 10.1109/CVPR.2019.00479, (2019). DOI: https://doi.org/10.1109/CVPR.2019.00479
[9]. Zhang, Zhipeng & Peng, Houwen. “Deeper and Wider Siamese Networks for Real-Time Visual Tracking”. 4586-4595. 10.1109/CVPR.2019.00472, (2019). DOI: https://doi.org/10.1109/CVPR.2019.00472
[10]. Bhat, Goutam & Danelljan, Martin & Van Gool, Luc & Timofte, Radu. “Learning Discriminative Model Prediction for Tracking”. 6181-6190. 10.1109/ICCV.2019.00628, (2019). DOI: https://doi.org/10.1109/ICCV.2019.00628
[11]. J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li and L. Fei-Fei, “ImageNet: A Large-Scale Hierarchical Image Database”. IEEE Computer Vision and Pattern Recognition (CVPR), (2009). DOI: https://doi.org/10.1109/CVPR.2009.5206848
[12]. Zhang, Lichao & Danelljan, Martin & Gonzalez-Garcia, Abel & Weijer, Joost & Khan, Fahad. “Multi-Modal Fusion for End-to-End RGB-T Tracking”. 2252-2261. 10.1109/ICCVW.2019.00278, (2019). DOI: https://doi.org/10.1109/ICCVW.2019.00278
[13]. Hiep Dao, Hieu Dinh Mac, and Duc Quang Tran "Noise-aware deep learning algorithm for one-stage multispectral pedestrian detection," Journal of Electronic Imaging 31(3), 033035, 16 June (2022). https://doi.org/10.1117/1.JEI.31.3.033035 DOI: https://doi.org/10.1117/1.JEI.31.3.033035
[14]. S. Hwang, J. Park, N. Kim, Y. Choi and I. S. Kweon, "Multispectral pedestrian detection: Benchmark dataset and baseline," 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1037-1045, (2015), doi: 10.1109/CVPR.2015.7298706. DOI: https://doi.org/10.1109/CVPR.2015.7298706
