Автоматическое обнаружение и отслеживание движущихся объектов, наблюдаемых видеокамерой беспилотного летательного аппарата

Предлагается алгоритм автоматического обнаружения и отслеживания движущихся объектов, предназначенный для использования на борту беспилотного летательного аппарата. Разработанный алгоритм основан на отслеживании на протяжении определенного времени выбранных точек изображения. Отслеживаемые точки выбираются из областей на текущем кадре, в которых интенсивность пикселов отличается от интенсивностей тех же пикселов в предыдущих кадрах, совмещенных с текущим кадром при помощи проективного преобразования. Если на нескольких соседних кадрах не фиксируется смещение отслеживаемых точек, они удаляются и на их место добавляются новые точки из областей, предположительно принадлежащих движущимся объектам на текущем кадре. На каждом кадре близкие по расположению и форме траекторий движения точки объединяются в группы, которые соответствуют движущимся объектам. Отслеживание объектов осуществляется путем сопоставления групп движущихся точек соседних кадров. Группы движущихся точек соседних кадров сопоставляются, когда они содержат большое число общих отслеживаемых точек. Алгоритм позволяет одновременно отслеживать более 20 объектов в реальном времени. Индикация объекта как движущегося происходит только в том случае, если за время его сопровождения он сместился на значительное расстояние. Рассматриваемый алгоритм имеет низкий процент ложных обнаружений объектов, хорошо обнаруживает объекты малого размера и надежно сопровождает объекты.

1. Chapel M.-N., Bouwmans T. Moving Objects Detection with a Moving Camera: A Comprehensive Review. Available at: https://arxiv.org/abs/2001.05238 (accessed 19.04.2021).

2. Fiaz M., Mahmood A., Jung S.-K. Tracking Noisy Targets: A Review of Recent Object Tracking Approaches. Available at: https://arxiv.org/abs/1802.03098 (accessed 19.04.2021).

3. Ye D. H., Li J., Chen Q., Wachs J., Bouman C. Deep learning for moving object detection and tracking from a single camera in unmanned aerial vehicles (UAVs). IS&T International Symposium on Electronic Imaging 2018. Burlingame, California, USA, 2018, pp. 4661-4666.

4. Lucas B., Kanade T. An iterative image registration technique with an application to stereo vision. Proceedings of the 7th International Joint Conference on Artificial Intelligence (IJCAI '81). Vancouver, 1981, vol. 2, pp. 674-679.

5. Mueller M., Smith N., Ghanem B. A benchmark and simulator for uav tracking. Proceedings of the 14th European Conference on Computer Vision (ECCV '16). Amsterdam, 2016, pp. 445-461. https://doi.org/10.1007/978-3-319-46448-0_27

6. Du D., Zhu P., Wen L., Bian X., Ling H., Liu Z. VisDrone-DET2019: the vision meets drone object detection in image challenge results. IEEE/CVF International Conference on Computer Vision Workshop (ICCVW). Seoul, 2019, pp. 213-226. https://doi.org/10.1109/ICCVW.2019.00030

7. Delibasoglu I. UAV Images Dataset for Moving Object Detection from Moving Cameras. Available at: https://arxiv.org/abs/2103.11460 (accessed 19.04.2021).

8. Yi K. M., Yun K., Kim S. W., Chang H., Choi J. Detection of moving objects with non-stationary cameras in 5.8ms: bringing motion detection to your mobile device. IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPR). Portland, OR, USA, 2013, pp. 27-34.

9. Yun K., Lim J., Choi J. Y. Scene conditional background update for moving object detection in a moving camera. Pattern Recognition Letters, 2017, vol. 88, pp. 57-63. https://doi.org/10.1016/j.patrec.2017.01.017