Aplicação de Deep Appearance Descriptor em algoritmo de visão computacional para rastreamento de múltiplos objetos em imagens de VANT

Abstract

A solução de adicionar a ferramenta de Deep Appearance Descriptor à rotina do algoritmo de rastreamento de múltiplos objetos para melhorar o desempenho de reidentificação de objetos em sequências de quadros capturados por veículos aéreos não tripulados foi trazida pela empresa parceira a esse projeto como um projeto in- terno. Este trabalho relata como foram feitos o aperfeiçoamento e a integração desta ferramenta no programa de rastreamento da empresa, baseado na abordagem Simple Online and Realtime Tracking. Para o aperfeiçoamento desta ferramenta, criou-se um banco de imagens a fim de treinar uma rede neural artificial extratora de vetores de características pertencentes à rotina desta ferramenta. Na criação desse banco de imagens, foi usada a distância de Mahalanobis dos vetores de características das mesmos como critério para a limpeza do dataset. Neste projeto, foram empregadas diferentes métricas a fim de avaliar o desempenho de rastreamento de reidentificação do código. Por fim, foi obtida uma redução no valor de reidentificações errôneas em 12%, representando uma melhoria nesta função.

The solution of adding a Deep Appearance Descriptor tool to the routine of the multiple object tracking algorithm to improve the re-identification performance of objects in sequences of structures captured by unmanned aerial vehicles was brought by the partner company to this work as an internal project. This monography describes how the enhancement and integration of this tool into the tracking program based on the Simple Online and Realtime Tracking approach was done. To improve this tool, a dataset of images was created in order to train an artificial neural network that extracts the characteristic vectors and belong to the routine of this tool. When creating this dataset of images, the Mahalanobis distance of the feature vectors was used as a criterion for cleaning the dataset. In this project, different metrics were used in order to evaluate the code re-identification tracking performance. Finally, a reduction in the value of erroneous re-identifications was obtained representing an improvement of 12% in this function.