Rastreamento visual de objetos utilizando métodos de similaridade de regiões e filtagem estocástica

Abstract

Inicialmente são apresentadas a importância e as aplicações que envolvem o processo de rastreamento visual de objetos. O problema de rastreamento visual pode ser definido como um processo de estimação em conjunto com técnicas de processamento de imagens. Os principais métodos que realizam rastreamento visual encontrados na literatura são discutidos. O problema tratado aqui consiste em rastreamento automático de um dado objeto que aparece em uma sequência de imagens obtida por um sistema de visão computacional. Neste trabalho propõem-se métodos para a realização desta tarefa baseados na similaridade de regiões, o window-matching (WM) method. Este método baseia-se na obtenção de regiões de similaridade em função do padrão da cor cinza de uma janela em torno de um ponto de interesse. Discutem-se também as principais formas de medição da similaridade e a escolha pela função soma do quadrado das diferenças (SSD) é também justificada. Em adição, discutem-se os fatores e parâmetros que afetam o bom desempenho do método tais como: tipo de movimento realizado, oclusões, variação do tamanho da janela, mudanças de iluminação, etc. Desenvolveu-se e implementou-se então um algoritmo de rastreamento (WM) baseado na similaridade de regiões que utiliza a função SSD. O algoritmo foi então aplicado a diversas situações de rastreamento. Observou-se que, para certas aplicações, o algoritmo WM não acompanhava o objeto rastreado. Então, como o rastreamento pode ser tratado como sendo um problema de estimação, introduziu-se um procedimento recursivo para estimação ótima a partir das medidas produzidas pelo algoritmo WM. No processo dinâmico de rastreamento, o vetor de estado a ser estimado consiste dos vetores de posição e velocidade 2D do ponto de interesse, sendo o vetor de medição dado pelos vetores correspondentes fornecidos pelo algoritmoWM. O método leva agora em consideração as características estocásticas do processo de rastreamento (ruídos intrínseco e de medida) e a estimação ótima é realizada pelo filtro de Kalman, que estimará posição e velocidade e as incertezas correspondentes. Um novo algoritmo integrando esta filtragem estocástica (WM+K) foi desenvolvido e implementado. Observou-se que a filtragem estocástica realmente melhora o desempenho do rastreamento. Na procura por aumentar mais ainda a robustez do algoritmo e a sua convergência adicionou-se uma busca heurística nas soluções baseada na otimização seguindo o agrupamento de partículas. Desenvolveu-se assim o algoritmo WM+K+PSO que além de maior robustez produziu trajetórias de rastreamento mais suaves. __________________________________________________________________________________ ABSTRACT

Initially the importance and applications on which object visual tracking is involved are presented. Visual tracking problem can be stated as an estimation process acting together with digital image processing techniques. The different methods found in the literature for solving this tracking problem are discussed. The problem being dealt here consists of automatic tracking of a given object appearing in a sequence of images captured by a computer vision system. This work proposes methods to perform this task that are based on the windowmatching (WM) techniques. These techniques are based on obtaining similar regions in terms of the gray level pattern of a window around a point of interest. The option for these techniques are justified and the main hypotheses are discussed. The different ways of measuring similarity are also discussed and the choice of the sum of square differences (SSD) as a similarity cost function is also justified. A discussion follows of situations that affect the tracking results, as type of motion, occlusions, window size variations, illumination changes, etc. An object tracking algorithm (WM) based on regions of similarity as measured by the SSD cost function is developed and implemented. The algorithm is then applied for tracking objects in different situations. It was observed, for certain applications, that the WM algorithm failed to track the object. Then, as tracking can be considered an estimation problem, a recursive procedure for optimal estimation from measurements generated by the WM algorithm. In the tracking dynamical process the state vector consist of the 2D position and velocity coordinates of the point of interest, being the measurement vector the corresponding output from the WM algorithm. The new method now takes into account the stochastic properties of the tracking process (intrinsic and measurement noise) and the optimal estimation is performed by the Kalman filter, being the output estimates of the position and velocity and the corresponding uncertainties. A new algorithm integrating this stochastic filtering (WM+K) is developed and implemented. Indeed the stochastic filtering improves the tracking performance and succeeds where the WM fails. Further procedures to increase the robustness and convergence of the tracking algorithm were pursued. Introducing a heuristic search based on Particle Swarm Optimization allowed to obtain smooth tracking trajectories.