While solving the tracking of objects for infrared range images the obtaining of the necessary volume relevant basis for neuron network training is problematic enough. The main obstacles are the absence of the far infrared range images base and the complexity of calibration of cameras of various manufacturers for composing the base. Due to these causes and the complexity of marking the borders of the given range objects using the neuron networks, at the moment, is not expedient. In the paper the principles of object tracking on the infrared range images, based on obtaining the key points using the SIFT, SURF, ORB algorithms, have been considered. The specific features of the given methods have been distinguished, and also, the specifics of far infrared range images and of the objects observed on it, has been emphasized. The analysis of the approaches to preserve the features of tracking an object in transition to a new frame of a video image has been performed, their main advantages and disadvantages have been revealed. Based on the obtained results the modernization of the tracking algorithm using the Jarvis algorithm modification has been proposed. The estimation of the influence on speed of additional processing in the tracking algorithm has been experimentally performed. The proposed approach to tracking an object on the infrared image, composed on the ORB algorithm key points and the application of the modified Jervis algorithm, is invariant to turns and scaling of the sought for object and allows to watch it in conditions of high nonhomogeneity of the background and presence of similar objects. The application of the developed algorithm permits to avoid a considerable loss of speed with a significant increase of the object tracking efficiency.
Anton I. Sharikov
National Research University of Electronic Technology, Moscow, Russia
1. Luo W., Yang B., Urtasun R. Fast and furious: real time end-to-end 3D detection, track-ing and motion forecasting with a single convolutional net // IEEE/CVF Conference on Comput-er Vision and Pattern Recognition. 2018. June. P. 3569–3577.
2. Богуш Р.П., Захарова И.Ю. Алгоритм сопровождения людей на видеопоследова-тельностях с использованием сверточных нейронных сетей для видеонаблюдения внутри помещений // Компьютерная оптика. 2020. Т. 44. №1. С. 109–118.
3. Redmon J., Farhadi A. YOLO9000: Better, Faster, Stronger // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. July. P. 7263–7271.
4. Girshick R. Fast R-CNN // 2015 IEEE International Conference on Computer Vision (ICCV). 2015. December. P. 1440–1448.
5. Телевизионные методы сопровождения объектов в сложных условиях наблюдения / В.И. Можейко, Н.А. Обухова, Б.С. Тимофеев и др. // Изв. вузов. Приборостроение. 2009. Т. 52. №8. С. 20–29.
6. Катулев А.Н., Колонсков А.А., Храмичев А.А., Ягольников С.В. Адаптивный ме-тод и алгоритм обнаружения малоконтрастных объектов оптико-электронным средством // Оптический журнал. 2014. Т. 81. №2. С. 29–39.
7. Шарак Д.С., Хижняк А.В., Шевяков А.В., Михненок Е.И. Снижение вероятности срыва сопровождения оптически наблюдаемых объектов в корреляционных алгоритмах сопровождения за счет комплексирования исходных изображений ИК- и ТВ- диапазонов // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2016. Т. 96. №2. С. 88–94.
8. Тананыкина Л.В. Сравнительное исследование структурных и корреляционных методов при сопоставлении разнородных изображений // Прикладные проблемы безопасности технических и биотехнических систем. 2016. № 1. С. 11–21.
9. Бондаренко В.А., Капулинский Г.Э., Павлова В.А., Тупиков В.А. Метод поиска и сопоставления ключевых особенностей изображений для распознавания образов и сопро-вождения объектов // Изв. ЮФУ. Технические науки. 2019. Т. 203. № 1. С. 281–296.
10. Семаков В.П. Алгоритм кластеризации ключевых точек на изображениях ИК-диапазона // Изв. вузов. Электроника. 2017. Т. 22. №2. С. 187–191.
11. Шакенов А.К., Будеев Д.Е. Фильтрация изображений малоразмерных объектов в системах с круговым микросканированием // Автометрия. 2017. Т. 53. № 4. С. 120–126.
12. Rublee E., Rabaud V., Konolige K. ORB: an efficient alternative to SIFT or SURF // Computer Vision and 2011 IEEE International Conference. 2011. November. P. 2564–2571.
13. Rosten E., Drummond T. Machine learning for high-speed corner detection // ECCV: European Conference on Computer Vision. 2006. Vol. 1. No. 1. P. 430–443.
14. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: binary robust independent elemen-tary features // 11th European Conference on Computer Vision. 2010. September. P. 778–792.
15. Hamming R. Error detecting and error correcting codes //The Bell System Technical Journal. 1950. Vol. 29. No. 2. P. 147–160.
16. Зеленский А.А., Семенищев Е.А., Франц В.А. Алгоритм определения формы объ-ектов по анализу изображений, полученных в инфракрасном диапазоне // Докл. ТУСУР. 2018. Т. 21. № 3. С. 63–67.
17. Прапарата Ф., Шеймос М. Вычислительная геометрия. Введение. М.: Мир, 1989. 478 с.
18. Кормен Т., Лейзерсон Ч., Ривест Р., Штайн К. Алгоритмы. Построение и анализ. 2-е изд. М.: Изд. дом «Вильямс», 2011. 1296 с.
19. Mount D.M. Computational geometry. University of Maryland, 2002. 122 p.
20. Bradford Barber C., Dobkin D., Huhdanpaa H. The quickhull algorithm for convex hulls // ACM Transactions on Mathematical Software. 1996. Vol. 4. No. 22. P. 469–483.