Please use this identifier to cite or link to this item: https://ri.ufs.br/jspui/handle/riufs/14548
Document Type: Dissertação
Title: Rastreamento em tempo real de múltiplos objetos por associação de detecções
Authors: Meneses, Michel Conrado Cardoso
Issue Date: 25-Oct-2019
Advisor: Matos, Leonardo Nogueira
Co-advisor: Prado, Bruno Otavio Piedade
Resumo : Devido ao recente avanço na área de detecção de objetos, o rastreamento por detecção (no inglês, tracking-by-detection) tornou-se o principal paradigma adotado por rastreadores de múltiplos objetos. Com base na extração de diferentes características dos objetos detectados, tais algoritmos são capazes de estimar a similaridade e o padrão de associação dos objetos ao longo de sucessivas imagens. No entanto, uma vez que as funções de similaridade aplicadas por algoritmos de rastreamento são construídas manualmente, sua adaptação para novos cenários é dificultada. Este trabalho investigou o uso de técnicas de aprendizado de máquina baseadas em redes neurais artificiais para a indução automática de funções de similaridade entre objetos. Durante seu treinamento, tais redes foram apresentadas a padrões de associações corretas e incorretas entre detecções de objetos amostradas de bases reais de rastreamento. Para tanto, diferentes características relacionadas à aparência e à movimentação de objetos foram consideradas. Uma rede treinada foi inserida num framework de rastreamento de múltiplos objetos, o qual foi avaliado em três diferentes cenários de experimentação: o rastreamento de pedestres, o rastreamento de passageiros de ônibus e a contagem automática de passageiros de ônibus. No primeiro experimento, realizado com base no benchmark MOT Challenge, o método proposto obteve acurácia similar à apresentada por algoritmos considerados estado da arte, porém a um custo computacional até 16 vezes menor. Já o segundo experimento foi realizado a partir de uma base de dados construída localmente, sobre a qual o método proposto igualou a acurácia de sua principal baseline, o método DeepSORT, porém com ganho de 42, 8% em velocidade. O terceiro experimento correspondeu a um estudo de caso no qual a contagem obtida através do método proposto apresentou um erro médio absoluto 40, 7% menor que sua baseline. Ao fim deste trabalho foi possível verificar que o método proposto pode ser adaptado automaticamente a diferentes cenários e apresenta competitiva relação acurácia vs velocidade de execução, quando comparado aos algoritmos considerados nos experimentos.
Abstract: With the recent advances in the object detection research field, tracking-by-detection has become the leading paradigm adopted by multi-object tracking algorithms. By extracting different features from detected objects, those algorithms can estimate the objects’ similarities and association patterns along successive frames. However, since similarity functions applied by tracking algorithms are handcrafted, it is difficult to employ them in new contexts. In this study, it is investigated the use of artificial neural networks to automatically learning a similarity function that can be used among detections. During training, the networks were introduced to correct and incorrect association patterns, sampled from real tracking datasets. For such, different motion and appearance features have been considered. A trained network has been inserted into a multiple-object tracking framework, which has been assessed on three different experiment scenarios: the tracking of pedestrians, the tracking of bus passengers and the automatic counting of bus passengers. During the first, conducted on the MOT Challenge benchmark, the proposed method scored an accuracy similar to state-of-the-art trackers, but at a computational cost at least 16 times lower. In the second experiment, which was based on a local dataset, the proposed tracker matched the results obtained by its direct baseline, the DeepSORT tracker, but with a speed gain of 42.8%. Finally, the third experiment was a study case, where the median absolute error scored by the proposed method was 40.7% inferior to its baseline. In the end, this study could demonstrate that the proposal method can be automatically adapted to different tracking scenarios while presenting highly competitive cost-effectiveness when compared to those algorithms considered in the experiments.
Keywords: Rastreamento de múltiplos objetos
Visão computacional
Aprendizado de máquina
Multiple-object tracking
Computer vision
Machine learning
Subject CNPQ: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Sponsorship: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES
Language: por
Institution: Universidade Federal de Sergipe
Program Affiliation: Pós-Graduação em Ciência da Computação
Citation: MENESES, Michel Conrado Cardoso. Rastreamento em tempo real de múltiplos objetos por associação de detecções. 2019. 136 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Sergipe, São Cristóvão, Sergipe, 2019.
URI: https://ri.ufs.br/jspui/handle/riufs/14548
Appears in Collections:Mestrado em Ciência da Computação

Files in This Item:
File Description SizeFormat 
MICHEL_CONRADO_CARDOSO_MENESES.pdf41,11 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.