Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Tese |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/225708 |
Resumo: | O rastreamento de objetos em sequências de vídeos é um tema fundamental na área de processamento de imagens e visão computacional, sendo necessário nas mais diversas situações. Apesar dos diversos avanços na nessa área, o rastreamento de objetos conti nua sendo um problema desafiador, especialmente devido aos diversos fatores que podem afetar os resultados do rastreamento, como mudanças de iluminação e deformações não rí gidas. Esta tese introduz um framework baseado em filtros de correlação capaz de rastrear objetos nas mais diversas situações. O método proposto utiliza um esquema colaborativo, combinando o uso de um filtro de correlação global com o uso de filtros de correlação locais para melhorar o processo de rastreamento. Ainda, o método utiliza feições extraí das usando Redes Neurais Convolucionais (CNN), e também utiliza uma estratégia para avaliar se os resultados estimados pelos filtros de correlação são confiáveis. Resultados experimentais realizados em benchmarks públicos mostram que o método proposto con segue obter bons resultados, sendo superior aos métodos comparativos do estado da arte |
id |
URGS_ed8ed3f35c83653b0db56b89a722fc71 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/225708 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Barcellos, Pablo Roberlan MankeScharcanski, Jacob2021-08-17T01:00:50Z2021http://hdl.handle.net/10183/225708001129984O rastreamento de objetos em sequências de vídeos é um tema fundamental na área de processamento de imagens e visão computacional, sendo necessário nas mais diversas situações. Apesar dos diversos avanços na nessa área, o rastreamento de objetos conti nua sendo um problema desafiador, especialmente devido aos diversos fatores que podem afetar os resultados do rastreamento, como mudanças de iluminação e deformações não rí gidas. Esta tese introduz um framework baseado em filtros de correlação capaz de rastrear objetos nas mais diversas situações. O método proposto utiliza um esquema colaborativo, combinando o uso de um filtro de correlação global com o uso de filtros de correlação locais para melhorar o processo de rastreamento. Ainda, o método utiliza feições extraí das usando Redes Neurais Convolucionais (CNN), e também utiliza uma estratégia para avaliar se os resultados estimados pelos filtros de correlação são confiáveis. Resultados experimentais realizados em benchmarks públicos mostram que o método proposto con segue obter bons resultados, sendo superior aos métodos comparativos do estado da arteThe tracking of objects in video sequences is a fundamental subject in the field of image processing and computer vision, and it is required in a variety of situations. Despite several advances in this area, object tracking remains a challenging problem, especially due to the many factors that can affect the tracking results, such as illumination variations and non-rigid deformations. This thesis introduces a framework based on correlation filters capable of tracking objects in the most diverse situations. The proposed method uses a collaborative scheme, combining the use of a global correlation filter with the use of local correlation filters to improve the tracking process. Furthermore, the method uses features extracted using Convolutional Neural Networks (CNN), and also uses a strategy to evaluate if the results estimated by the correlation filters are reliable. Experimental results in public benchmarks show that the proposed method achieves good results, being superior to the state-of-the-art comparative methods.application/pdfengRastreamento de objetosVisão computacionalProcessamento de imagensCorrelation filtersVideo trackingRastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlaçãoObject tracking in video sequences using multiple correlation filters info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2021doutoradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001129984.pdf.txt001129984.pdf.txtExtracted Texttext/plain194081http://www.lume.ufrgs.br/bitstream/10183/225708/2/001129984.pdf.txt3c942ba6df133eb9a376c7e1a173cb21MD52ORIGINAL001129984.pdfTexto completoapplication/pdf7647688http://www.lume.ufrgs.br/bitstream/10183/225708/1/001129984.pdf8ef9ce1b9943eb823858e4b64a611ff3MD5110183/2257082022-02-22 04:48:41.606092oai:www.lume.ufrgs.br:10183/225708Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-02-22T07:48:41Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação |
dc.title.alternative.en.fl_str_mv |
Object tracking in video sequences using multiple correlation filters |
title |
Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação |
spellingShingle |
Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação Barcellos, Pablo Roberlan Manke Rastreamento de objetos Visão computacional Processamento de imagens Correlation filters Video tracking |
title_short |
Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação |
title_full |
Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação |
title_fullStr |
Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação |
title_full_unstemmed |
Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação |
title_sort |
Rastreamento de objetos em sequências de vídeo utilizando múltiplos filtros de correlação |
author |
Barcellos, Pablo Roberlan Manke |
author_facet |
Barcellos, Pablo Roberlan Manke |
author_role |
author |
dc.contributor.author.fl_str_mv |
Barcellos, Pablo Roberlan Manke |
dc.contributor.advisor1.fl_str_mv |
Scharcanski, Jacob |
contributor_str_mv |
Scharcanski, Jacob |
dc.subject.por.fl_str_mv |
Rastreamento de objetos Visão computacional Processamento de imagens |
topic |
Rastreamento de objetos Visão computacional Processamento de imagens Correlation filters Video tracking |
dc.subject.eng.fl_str_mv |
Correlation filters Video tracking |
description |
O rastreamento de objetos em sequências de vídeos é um tema fundamental na área de processamento de imagens e visão computacional, sendo necessário nas mais diversas situações. Apesar dos diversos avanços na nessa área, o rastreamento de objetos conti nua sendo um problema desafiador, especialmente devido aos diversos fatores que podem afetar os resultados do rastreamento, como mudanças de iluminação e deformações não rí gidas. Esta tese introduz um framework baseado em filtros de correlação capaz de rastrear objetos nas mais diversas situações. O método proposto utiliza um esquema colaborativo, combinando o uso de um filtro de correlação global com o uso de filtros de correlação locais para melhorar o processo de rastreamento. Ainda, o método utiliza feições extraí das usando Redes Neurais Convolucionais (CNN), e também utiliza uma estratégia para avaliar se os resultados estimados pelos filtros de correlação são confiáveis. Resultados experimentais realizados em benchmarks públicos mostram que o método proposto con segue obter bons resultados, sendo superior aos métodos comparativos do estado da arte |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-08-17T01:00:50Z |
dc.date.issued.fl_str_mv |
2021 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/225708 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001129984 |
url |
http://hdl.handle.net/10183/225708 |
identifier_str_mv |
001129984 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/225708/2/001129984.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/225708/1/001129984.pdf |
bitstream.checksum.fl_str_mv |
3c942ba6df133eb9a376c7e1a173cb21 8ef9ce1b9943eb823858e4b64a611ff3 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1800309183308890112 |