ПРИМЕНЕНИЕ БИНАРНЫХ ДЕСКРИПТОРОВ ДЛЯ ТРЕКИНГА МНОЖЕСТВА ЛИЦ В СИСТЕМАХ ВИДЕОНАБЛЮДЕНИЯ

Предмет исследования. Рассмотрена задача трекинга (отслеживания) множества лиц в видеопотоке. Разработана система трекинга, ориентированная на решение задач автоматизированного видеонаблюдения. При этом специфика условий работы камер видеонаблюдения использована для повышения эффективности системы по сравнению с аналогами общего назначения. Метод. Разработанная система состоит из двух подсистем: детектора и трекера. Трекер не зависит от детектора, что позволяет использовать различные методы детектирования лиц. Кроме того, такая структура позволяет обрабатывать детектором только малую часть кадров, существенно повышая скорость работы. Алгоритм трекинга основан на бинарных дескрипторах BRIEF, которые крайне эффективно вычисляются на современных процессорных архитектурах. Основные результаты. Система реализована на языке C++, проведены экспериментальные исследования по оценке скорости и качества ее работы. Для измерения качества трекинга использованы метрики MOTAи MOTP. Полученные результаты говорят о четырехкратном увеличении быстродействия по сравнению с базовой реализацией, запускающей детектор на каждом кадре. При этом качество трекинга при сопоставлении с базовой реализацией находится на допустимом уровне. Практическая значимость. Разработанная система может быть использована с различными детекторами лиц (в том числе достаточно медленными) для получения полнофункциональной высокоскоростной системы трекинга множества лиц. Алгоритм прост в реализации и оптимизации, поэтому он может быть использован не только в полномасштабных системах видеонаблюдения, но и во встроенных решениях, интегрированных непосредственно в камеры.

1. Melnikov A., Akhunzyanov R., Kudashev O., Luckyanets E. Audiovisual liveness detection // Lecture Notes in Computer Science. 2015. V. 9280. P. 643–652. doi: 10.1007/978-3-319-23234-8_59
2. Yilmaz A., Javed O., Shah M. Object tracking: a survey // ACM Computing Surveys. 2006. V. 38. N 4. P.
1–45. doi: 10.1145/1177352.1177355
3. Yang H., Shao L., Zheng F., Wang L., Song Z. Recent advances and trends in visual tracking: a review // Neurocomputing. 2011. V. 74. N 18. P. 3823–3831. doi: 10.1016/j.neucom.2011.07.024
4. Smeulders A.W.M., Chu D.M., Cucchiara R., Calderara S., Dehghan A., Shah M. Visual tracking: an experimental survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2014. V. 36. N 7. P. 1442–1468. doi: 10.1109/TPAMI.2013.230
5. Kristan M., Matas J., et al. The visual object tracking VOT2015 challenge results // Proc. IEEE Int. Conf. on Computer Vision. Santiago, Chile, 2015. P. 564–586.
6. Matthews I., Ishikawa T., Baker S. The template update problem // IEEE Transactions on Pattern Analysis Machine Intelligence. 2004. V. 26. N 6. P. 810–815. doi: 10.1109/TPAMI.2004.16
7. Minnehan B., Spang H., Savakis A.E. Robust and efficient tracker using dictionary of binary descriptors and locality constraints // Lecture Notes in Computer Science. 2014. V. 8887. P. 589–598.
8. Avidan S. Ensemble tracking // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2007. V. 29. N 2. P. 261–271. doi: 10.1109/TPAMI.2007.35
9. Kalal Z., Mikolajczyk K., Matas J. Tracking-learning-detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2012. V. 34. N 7. P. 1409–1422. doi: 10.1109/TPAMI.2011.239
10. Broida T.J., Chellappa R. Estimation of object motion parameters from noisy images // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. V. PAMI-8. N 1. P. 90–99.
11. Isard M., Blake A. CONDENSATION – conditional density propagation for visual tracking // International Journal of Computer Vision. 1998. V. 29. N 1. P. 5–28.
12. Maggio E., Piccardo E., Regazzoni C., Cavallaro A. Particle PHD filtering for multi-target visual tracking // IEEE Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP). 2007. V. 1. Art. 4217276. doi: 10.1109/ICASSP.2007.366104
13. Lucas B.D., Kanade T. An iterative image registration technique with an application to stereo vision // Proc. 7th Int. Joint Conference on Artificial Intelligence (IJCAI). Vancouver, Canada, 1981. P. 674–679.
14. Baker S., Matthews I. Lucas-Kanade 20 years on: a unifying framework // International Journal of Computer Vision. 2004. V. 56. N 3. P. 221–255. doi: 10.1023/B:VISI.0000011205.11775.fd
15. Ta D.-N., Chen W.-C., Gelfand N., Pilli K. SURFTrac: Efficient tracking and continuous object recognition using local feature descriptors // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Miami, USA, 2009. P. 2937–2944. doi: 10.1109/CVPRW.2009.5206831
16. Bilinski P., Bremond F., Kaaniche M.-B. Multiple object tracking with occlusions using HOG descriptors and multi resolution images // Proc. 3rd Int. Conf. on Crime Detection and Prevention (ICDP). London, 2009. N 2. doi: 10.1049/ic.2009.0264
17. Panti B., Monteiro P., Pereira F., Ascenso J. Descriptor-based adaptive tracking-by-detection for visual sensor networks // IEEE Int. Conf. on Multimedia and Expo Workshops (ICMEW). Turin, Italy, 2015. doi: 10.1109/ICMEW.2015.7169807
18. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary robust independent elementary features // Proc. 11th European Conference on Computer Vision (ECCV). Heraklion, Crete, Greece, 2010. P. 778–792. doi: 10.1007/978-3-642-15561-1_56
19. Ishii I., Ichida T., Gu Q., Takaki T. 500-fps face tracking system // Journal of Real-Time Image Processing. 2013. V. 8. N 4. P. 379–388. doi: 10.1007/s11554-012-0255-8
20. Кухарев Г.А., Каменская Е.И., Матвеев Ю.Н., Щеголева Н.Л. Методы обработки и распознавания изображений лиц в задачах биометрии / под ред. М.В. Хитрова. СПб.: Политехника, 2013. 388 с.
21. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features // Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). Kauai, USA, 2001. V. 1. P. 511–518.
22. Ahuja R.K., Magnanti T.L., Orlin J.B. Network Flows: Theory, Algorithms, and Applications. Prentice Hall, 1993. 864 p.
23. Rosten E., Drummond T. Machine learning for high-speed corner detection // Lecture Notes in Computer Science. 2006. V. 3951. P. 430–443. doi: 10.1007/11744023_34
24. Szeliski R. Computer Vision: Algorithms and Applications. London: Springer-Verlag, 2011. 812 p. doi: 10.1007/978-1-84882-935-0
25. OpenCV (open source computer vision) [Электронный ресурс]. Режим доступа: http://opencv.org/ свободный. Яз. англ. (дата обращения: 09.06.2015).
26. LEMON Graph Library [Электронный ресурс]. Режим доступа: https://lemon.cs.elte.hu/trac/lemon свободный. Яз. англ. (дата обращения: 15.02.2016).
27. Li L., Nawaz T., Ferryman J. PETS 2015: Datasets and challenge // Proc. 12th IEEE Int. Conf. on Advanced Video and Signal Based Surveillance (AVSS). Karlsruhe, Germany, 2015. doi: 10.1109/AVSS.2015.7301741
28. Collins R., Zhou X., Teh S.K. An open source tracking testbed and evaluation web site // IEEE Int. Workshop on Performance Evaluation of Tracking and Surveillance (PETS 2005). 2005. Vol. 2. P. 35.
29. Doermann D., Mihalcik D. Tools and techniques for video performance evaluation // Proc. 15th Int. Conf. on Pattern Recognition. 2000. V. 15. N 4. P. 167–170.
30. Bernardin K., Stiefelhagen R. Evaluating multiple object tracking performance: the CLEAR MOT metrics // EURASIP Journal on Image Video Processing. 2008. V. 2008. Art. 246309. doi: 10.1155/2008/246309
 

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License