Sledování, učení se a rozpoznávání objektů ve videosekvencích

Abstract

Sledování většího počtu objektů ve video sekvencích v sobě zahrnuje mnoho nejrůznějších podproblémů, včetně sledování zvířat během biologických experimentů. Jejich automatické, či poloautomatické vyhodnocení, má pro biology obrovský význam. V této tezi představujeme metodu pro sledování většího počtu objektů v laboratorních podmínkách. Obtíže způsobené možnou ztrátou identity během interakcí, kdy dochází k nepřehledným situacím, jsou řešeny pomocí rozpoznávání identity jedince. Rozšířili jsme aktuálně nejlepší metodu pro klasifikaci okem těžko rozeznatelných objektů a na sekvencích zachycujících mravence, ryby a svinky jsme ukázali, že tímto způsobem lze dosáhnout zlepšení o 4,5-18%. Metodu jsme implementovali a doplnili o uživatelské rozhraní pro zobrazení a editaci výsledků, umožňující interakci a doplnění informací v průběhu výpočtů.

The domain of Multi-Object Tracking encompasses various interesting problems including animal surveillance in biology experiments. Automated or semi-automated evaluation of experiments has a tremendous impact in biology. In this thesis, we are introducing a method for tracking of multiple interacting objects in laboratory conditions. The difficulties of identity maintenance arising from object interactions and occlusions are solved by identity re-detection. We have enhanced current state-of-the-art classifier for objects hardly distinguishable by a naked eye, and we have shown that it improves the performance for per region classification by 4.5%-18% on video sequences with ants, zebrafish, and bugs. The method implementation is accompanied with a graphical user interface. It includes tools for manual annotation of difficult object interactions that hint the tracker and also means for final correction of tracking output.