低複雜度多物件追蹤系統與閉塞情況的解決方案

摘要

多物件偵測與追蹤在電腦視覺領域中是一項重要的研究議題，但絕大多數的物件追蹤演算法的計算過於複雜，並不實用於即時的追蹤系統中，因此本文提出一個低複雜度的影像多物件追蹤系統，這追蹤主要分成四個部分，第一部分是簡易背景更新模型的建構，擁有極快速的處理速度，並擁有一定程度的抗噪性，而後續則全部使用前景切割後的黑白圖像進行處理；第二部分是連通區塊標籤，對切出前景物件進行標籤，可以有效的標注連接物件；第三部分是物件群組化，把臨近的標籤物件進行標籤歸一化，並且過濾掉過於微小的標籤值來減少標籤值的使用；第四部分是追蹤演算法，這個部分主要維持標籤對於同物件的值，讓同一物件會一直擁有相同的標籤，並且在於交錯或閉塞的情況下也能繼續追蹤到相同物件的標籤值，在此使用物件的邊緣和軌跡來處理各種對象遮擋的情況。

閉塞情形解決方案分作三種，並各別進行處理:

A.交錯物件的閉塞情形

在物件交錯的情況下，物件匹配會將連通的兩個物件匹配成單一標籤值，導致閉鎖情況發生，因此我們會對可能物件進行區塊內的搜索，若是物件區塊內涵蓋2個以上的物件重心點則會判定成交錯閉鎖，並開始對物件進行軌跡的分析，預測此幀的可能位移量並對前一幀的該物件大小進行位移，再對邊緣分析的結果進行匹配，即可得到一個交錯情形的最佳解。

B.物件分離的閉塞情形

物件分離主要發生交錯物件閉塞後的分離，由於交錯閉塞的解決方案是推估最可能的物件存在位子，並進行標籤取代，所以會出現重疊標籤值的情況(可參考圖1-(6)的左下角)，因此當物件分離時還是會擁有標籤重疊的可能性，讓交錯閉塞永遠存在，因此物件分離是ㄧ件重要的處理，在於持續良好的追蹤。此部分主要藉由邊緣分析來推論是否為分離情況，當確認是分離情形時，則會強制對物件進行標籤統一，標籤統一標準來自於標籤物件的重心位置，當有一邊未搜尋到任何標籤重心位置時，則會對軌跡預測方向來當作第二項參考指標。

C.單一標籤多物件的閉塞情形

單ㄧ標簽多物件的閉塞最可能產生在多個物件同時且連接著進入影像畫面，這樣會導致我們把多個物件標籤成同一標籤值，因此我們未能擁有任何各別物件的任何資訊，使得閉塞情形難以解決。為了分離單一標籤多物件的情況，會給與系統一個想要追蹤物件的長寬範圍資訊，藉此配合邊緣分析與前景覆蓋率來推估該標籤區塊最可能擁有的物件數量與座標，來達到多物件閉塞分離的成果，當分離後將會回到交錯物件的解決方案來進行後續評估。

圖 11. PETS 2006 的地鐵監控視頻追蹤，上排為原視頻，下排為低複雜度多物件追蹤成果。

Demo

PETS2006 1 to 4	PETS2006 3 occlusion
PETS2009