Metoda śledzenia obiektów w obrazach termowizyjnych z procedurą adaptacyjnego aktualizowania modelu obiektu

Śledzenie obiektów jest coraz częściej stosowane w systemach wizyjnych używanych do ochrony mienia, kompresji sekwencji wideo czy w produkcji filmowej. Śledzenie obiektu polega na wyznaczeniu jego położenia na pewnej klatce obrazu, na podstawie znajomości jego położenia na poprzednich klatkach. Zadanie to jest szczególnie utrudnione, jeśli wymagany jest krótki czas wykonywania śledzenia. Ponadto w obrazie termowizyjnym nie można śledzić obiektów za pomocą metod stosowanych dla obrazu widzialnego. W artykule został omówiony nowy algorytm śledzenia obiektów w obrazie termowizyjnym polegający na modyfikacji metody Sum of Squared Differences.

Real-time object tracking is a critical task in many computer vision applications such as surveillance, object based video compression, or driver assistance. Object tracking is a process of finding a chosen object within a frame using the knowledge about its position in the previous frames. The most challenging issues encountered during visual object tracking are cluttered background, noise, occlusions and change in appearance of the tracked objects. This task is even more challenging when tracking is time constrained, and evaluation of the object position has to be performed in real-time. There exist many techniques for tracking objects but most of them are implemented in colour vision systems. Tracking algorithms for thermal vision systems have not been investigated well yet. This paper deals with adopting the sum of squared differences (SSD) tracking algorithm to thermal vision image sequences. Gradient based tracking methods, like SSD, evaluate target transition by finding changes between two consequent frames. The changes are estimated with gradients in space and time by finding the smallest SSD coefficient. This method is of relatively low computational complexity and can be used in real-time system. In the paper the enhanced SSD algorithm is presented. The enhancement consists in the conditional model update based on the SSDVar coefficient. There is also presented an experiment in which the traditional and enhanced SSD methods are compared.