Трекинг объектов в видеопотоке на основе сверточных нейронных сетей и фрактального анализа

Abstract

Проблема трекинга множества объектов в видеопотоке является одной из наиболее востребованных в сфере технического зрения. На ее основе решается множество прикладных задач - видеонаблюдения, беспилотного транспорта, взаимодействия человек-компьютер и других. В данной работе исследуется возможность применения методов фрактального сжатия для оценки близости детекций объектов при решении задачи трекинга. При этом сами детекции объектов требуемых классов получаются на каждом кадре при помощи сверточной нейронной сети YOLOv2. В результате показано, что предложенное сочетание сверточных нейронных сетей и методов фрактального анализа позволяет успешно решать задачу трекинга объектов. Для экспериментального исследования было использовано видео из открытой тестовой базы данных по множественному трекингу. This paper explores a multiple object tracking focusing on possibility of using fractal analysis as closeness measure. We used YOLOv2 convolutional neural network for object detection and then apply fractal-based measure to determine when the different detections belong to the same track. Experimental evaluation on the sample video from the MOT challenge benchmark confirms efficiency of the proposed combination of convolutional neural network and fractal analysis.