Verfolgung von sich bewegenden Menschen in verschiedenen überlappenden Kameras mit einem optimierten Kalman-Filter

Zusammenfassung Die Verfolgung von Objekten ist ein entscheidendes Problem in der Bildverarbeitung und Maschinenvision, das die Darstellung von Positionsänderungen eines Objekts und dessen Verfolgung in einer Reihe von Video-Bildern umfasst. Obwohl es eine Geschichte in militärischen Anwendungen hat, ist die Verfolgung seit den 1980er Jahren aufgrund ihrer vielfältigen Anwendungen in verschiedenen Bereichen immer wichtiger geworden. Diese Studie konzentriert sich auf die Verfolgung sich bewegender Objekte mit menschlicher Identität und die Identifizierung von Individuen anhand ihres Erscheinungsbildes unter Verwendung eines Klassifikationsalgorithmus für künstliche neuronale Netze (ANN). Der Kalman-Filter ist ein wichtiges Werkzeug in diesem Prozess, da er die Bewegungstrajektorie vorhersagen und die Position beweglicher Objekte schätzen kann. Der Verfolgungsfehler wird verringert, indem der Filter mithilfe eines Fuzzy-Logik-Algorithms für jeden sich bewegenden Menschen gewichtet wird. Nach der Verfolgung werden die Personen anhand der aus dem Histogramm der Bilder durch ANN extrahierten Merkmale identifiziert. Es gibt jedoch verschiedene Herausforderungen bei der Implementierung dieser Methode, die durch die Verwendung eines genetischen Algorithmus (GA) zur Merkmalsauswahl angegangen werden können. Die Simulationen in dieser Studie zielen darauf ab, die Konvergenzrate und Schätzfehler des Filters zu bewerten. Die Ergebnisse zeigen, dass die vorgeschlagene Methode bessere Ergebnisse als andere ähnliche Methoden bei der Verfolgung von Positionen in drei verschiedenen Datensätzen erzielt. Darüber hinaus erreicht die vorgeschlagene Methode im Durchschnitt eine um 8% bessere Leistung als andere ähnliche Algorithmen in Situationen mit Nachtsicht, Wolkensicht und Tageslichsicht.