Implementación en tiempo real para el seguimiento en secuencias de vídeo - Implementation in real time tracking in video sequences
DOI:
https://doi.org/10.32870/recibe.v3i1.19Keywords:
Seguimiento, SURF, transformaciones geométricas, RANSAC, vecinos próximos, puntos clavesAbstract
En el presente trabajo se implementa un seguidor en secuencias de vídeo. La implementación trabaja en tiempo real. El seguidor, ésta basado en el algoritmo de SURF (Speed Up Robust Feature), debido a la robustez que presenta a los cambios de luminosidad y a las posibles transformaciones geométricas de una imagen, como lo son: el escalamiento, cizallamiento, rotación, translación. El objetivo central de este trabajo es obtener un seguidor en tiempo real, que no necesite del objeto de interés un aprendizaje o estudio previo y por ende se pueda generalizar lo que se quieres seguir. Es decir, poder tomar cualquier objeto de una escena cualquiera. El proceso se inicia una vez se obtiene la muestra del objeto a seguir. Posteriormente se generan los puntos de interés mediante el algoritmo de SURF, tanto del objeto de muestras como de la secuencia de video. Así mismo mediante vecinos cercanos se busca la correspondencia entre los puntos generados de la muestra y de la secuencia de videos que mejor correspondan, finalmente mediante el algoritmo de RANSAC se toman un conjunto de puntos, para buscar la homografía de la figura que mejor se adapte al objeto de interés, finalmente se demarca el objeto de interés con los mejores parámetros homograficos encontrados, todo esto en tiempo real.Abstract: In this paper a tracker is implemented in video sequences. The implementation works in real time. The tracker is based on the algorithm of SURF (Speed Up Robust Feature) due to the robustness Presenting the light changes and the possible geometric transformations of an image, such as : scaling , shearing , rotation, translation. The main objective of this work is to obtain a real-time tracker that does not need the object of interest prior learning or study and therefore can generalize what you want to follow. I mean, to take anything of any scene . The process begins once the sample is obtained subject to follow. Then the points of interest are generated by the SURF algorithm, both the object and the sample video sequence . Also by neighbors correspondence between sample points generated and the sequence of videos that best match finally by RANSAC algorithm seeks a set of points are taken to find the homography of the figure that best suits the object of interest, finally the object of interest is demarcated with the best parameters found homographs , all in real time.Keywords: Tracking, SURF, geometric transformations , RANSAC , nearest neighbors, key point.References
Bay, H., Ess, A., Tuytelaars, T., y Gool, L. J. V. (2008). Speeded-up robust features (surf). ComputerVision and Image Understanding, 110(3):páginas, 346–359.
Lindeberg, T. (1990). Scale-spacefordiscretesignals. IEEE Transactionson Pattern Analysis and Machine Intelligence, 12:páginas, 234–254.
Lowe, D. G. (1999). Object recognition from local scale-invariant features. In ICCV, pages 1150–1157.
Kalal, Z., Mikolajczyk, K., y Matas, J. (2010). Face-tld: Tracking-learning-detection applied to faces. In ICIP, pages 3789–3792. IEEE.
Simard, P., Bottou, L., Haffner, P., y LeCun, Y. (1998). Boxlets:A fast convolution algorithm for signal processing and neural networks. In Kearns,M. J., Solla, S. A., y Cohn, D. A., editors, NIPS, páginas, 571–577. The MITPress.
Viola, P. A. y Jones, M. J. (2004). Robust real-time face detection. International Journal of ComputerVision,57(2):137–154.
Yilmaz, A., Javed, O., y Shah, M. (2006a). Object tracking: Asurvey. ACM Comput. Surv., 38(4).
