Object tracking in video

Táto bakalárska práca sa zaoberá problematikou sledovania viacerých objektov vo videu, so zameraním na neučiace algoritmy. Prvá kapitola predstavuje teoretickú časť práce, v ktorej sú popísané jednotlivé sledovacie metódy. Tieto algoritmy sú rozdelené podľa vlastností, ktoré používajú pre správne sledovanie. V tejto sekcií je popísaný princíp sledovacích metód mean-shift, škálovo invariantnej tranformácie objektu, Kalmanovho filtru, časticového filtru a Gáborovej vlnkovej transformácie. V kapitole je taktiež riešený problém priradenia, ktorý sa zaoberá hlavne Maďarskou metódou. Ďaľšia časť kapitoly opisuje možnosti zlúčenia viacerých sledovacích metód, ktoré sú rozdelené podľa typu konštrukcie na paralelné, kaskádovité, vážené a diskriminatívne ohodnotenie s príkladmi. Rovnako je v tejto časti popísaná adaptívnosť sledovacieho systému. V práci sú ďaľej popísané problémy nastávajúce pri sledovaní a riešenia týchto problémov. Daná sekcia pozostáva z riešenia šumu obrazu, zmeny osvetlenia, zjavu a zániku objektu pričom sa práca sústreďuje predovšetkým na riešenie problému oklúzie dvoch objektov. V rámci praktickej časti je vytvorený algoritmus zložený z rozličných typov sledovania, ktorého výsledky sú následne porovnané s vybranými sledovacími systémami z benchmarku pre sledovanie viacerých objektov vo videu. Praktická časť zahŕňa použité nástroje a vysvetlenie návrhu sledovacieho systému, v ktorom sú popísané hlavné triedy a metódy použité pre tvorbu. Okrem toho je v tejto sekcí popísané paralelné zlučovanie a použitá adaptívnosť sledovania. Vo výsledkoch práce sa nachádza porovnanie použitia sledovacích techník oddelene a spolu. Pre porovnanie výsledkov boli použité videosekvencie so sledovaním chodcov a sledovanie tvárí. Vychádzali sme z predpokladu, že zlúčenie viacerých sledovacích systémov napomôže k zlepšeniu sledovania čo bolo potvrdené vo výsledkoch práce.This bachelor thesis deals with the issue of tracking multiple objects in a video, specifically focusing on non-learning algorithms. The first chapter represents the theoretical part of the thesis, in which some of the often used tracking methods are described, such as mean-shift, scale-invariant object transformation, Kalman filter, particle filter and Gabor wavelet transformation. These algorithms are broken down by properties they use for proper tracking. The chapter also contains section assignment problem, which is mainly concerned with Hungarian algorithm. The next part describes options of merging multiple tracking methods that are broken down by construction type into parallel, cascade, weighted and discriminatory with example for each one. Moreover there is described adaptability of the tracking system. Bellow are described problems which may occur during tracking and possible solutions to them. This section consists of a solution of image noise, changes in illumination, appearance and extinction of an object, focusing mainly on solving the problem of object occlusion. Within the practical part is created algorithm composed of different types of tracking, the results of which are then compared with selected tracking systems from the multiple object tracking benchmark. The practical part includes the tools used and the explanation of the design, in which the main classes and methods used for the tracking are explained. Besides that, this section describes parallel merging and tracking adaptability . The results of the thesis contain a comparison of the use of tracking techniques separately and together. To compare the results, videos for pedestrian tracking and face tracking were used. This thesis was based on the assumption that merging multiple monitoring systems will help with the improvement of the tracking, which was confirmed by the results.