MODELO DE APARIENCIA DISCRIMINATORIO PARA UN SÓLIDO SEGUIMIENTO EN LÍNEA DE MÚLTIPLES OBJETIVOS
Ver/
Fecha
2023-07-13Autor
Altaf Osman, Mulani
Rajesh, Maharudra Patil
Kazi Kutubuddi, Sayyad Liyakat
Metadatos
Mostrar el registro completo del ítemResumen
El algoritmo de seguimiento de múltiples objetivos enfrenta desafíos de
oclusión, detención, fusión y división de los objetos en movimiento. El cambio
de apariencia de los objetivos en movimiento complica el rastreador. Por lo
tanto, el modelo de apariencia discriminativa es necesario para el
seguimiento robusto de objetivos múltiples. Este documento incorpora el
enfoque de seguimiento por detección junto con el modelo de movimiento
basado en el filtro de Kalman. La apariencia del objetivo propuesto en este
documento se modela en función de las características de textura del objeto.
La congruencia de fase derivada de la matriz de coocurrencia de nivel de gris
(GLCM) constituye el modelo de apariencia del objeto en movimiento. Por lo
tanto, el rastreador propuesto es invariable a la iluminación de la imagen y la
variación del contraste. La asociación de datos basada en la confianza ayuda
a la gestión de seguimiento en este documento. El rastreador propuesto se
evalúa en los conjuntos de datos de referencia estándar, a saber, CAVIAR,
PETS2009 y ETH. Los resultados experimentales del rastreador propuesto
demuestran cero errores en la coincidencia de identidad cuando se prueban
en el conjunto de datos ETH. Multiple target tracking algorithm faces challenges of occlusion, halt, merge
and split of the moving objects. The change in appearance of the moving
targets complicates the tracker. Hence the discriminative appearance
model is needed for the robust multiple target tracking. This paper
incorporates tracking-by-detection approach along with Kalman filter based
motion model. The appearance of the target proposed in this paper is
modeled based on object's texture features. Phase congruency derived by
gray level co-occurrence matrix (GLCM) constitutes the appearance model
of the moving object. Thus the proposed tracker is invariant to image
illumination and contrast variation. Confidence based data association
helps for track management in this paper. The proposed tracker is
evaluated on the standard benchmark datasets namely CAVIAR,
PETS2009 and ETH. The experimental results of the proposed tracker
demonstrate zero error in identity matching when tested on ETH dataset.