Theo vết đối tượng trong camera giám sát

CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA - ĐHQG HCM Cán hướng dẫn khoa học: Cán chấm nhận xét 1: Cán chấm nhận xét 2: Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp.HCM ngày 12 tháng năm 2016 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: TS Mai Linh TS Đỗ Hồng Tuấn PGS.TS Hồ Văn Khương TS Phạm Quang Thái TS Trịnh Xuân Dũng Xác nhận Chủ tịch Hội đồng đánh giá LV Bộ môn quản lý chuyên ngành sau luận vãn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Ngô Đình Phong MSHV: 12140035 Ngày sinh: 16/07/1987 Nơi sinh: TP.HCM Chuyên ngành: Kỹ thuật Điện tử Mã số: 605270 I TÊN ĐỀ TÀI: “Theo vết Đổi Tượng Trong Camera Giám Sát” - Tìm hiểu đặc trung mơ tả hình dáng nguời - Nghiên cứu xây dụng giải thuật theo vết đối tuợng đuợc thục cách tụ động thơng qua thuật tốn lọc hạt theo mơ hình chuỗi Markov Monte Carlo - Xây dụng chuơng trình mô cho giải thuật thục nghiệm sở liệu thông dụng - Đánh giá khả theo vết giải thuật III NGÀY GIAO NHIỆM VỤ: 07/08/2015 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 17/06/2016 V CÁN BỘ HƯỚNG DẪN: TS Trương Công Dung Nghi TS Chế Viết Nhật Anh Tp HCM, ngày tháng năm 2016 CÁN BỘ HƯỚNG DẪN TRƯỞNG KHOA CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN LỜI CẢM ƠN Lời đầu tiên, em xin chân thành cảm ơn Quý thầy cô Bộ môn Viễn thông truờng Đại Học Bách Khoa Thành Phố Hồ Chí Minh nhiệt tình giảng dạy, truyền đạt kiến thức quý báu giúp em hồn thành tốt mơn học suốt khóa học Đặc biệt, em xin gởi lời cảm ơn sâu sắc đến cô TS Truơng Công Dung Nghi thầy TS Chế Viết Nhật Anh, nguời huớng dẫn, bảo góp ý chân thành để em hồn thành luận văn Cuối cùng, em xin cảm ơn gia đình, nguời thân bạn bè ln quan tâm, ủng hộ tạo điều kiện thuận lợi q trình em học truờng TP Hồ Chí Minh, ngày tháng năm 2016 Học viên Ngơ Đình Phong ABSTRACT This thesis presents a new multiple objects tracking based on the MCMC- based particle algorithm Firstly, dynamic model uses a Gaussian distribution and inverse Wishart distribution to estimate the position - size of the objects Then, in order to obtain a more informative likelihood, it combines the colorbased observation model with a detection confidence density obtained from the Histograms of Oriented Gradients (HOG) descriptor The MCMC-based particle algorithm is then employed to estimate the posterior distribution of the target state to solve the tracking problem The algorithm has been tested on different real datasets: CAVIAR dataset and PETS’06 dataset Experimental results demonstrate the robustness of the algorithm in several difficult scenarios TĨM TẮT Trong luận văn trình bày giải thuật theo vết nhiều đối tượng dựa cở sở lọc hạt (particle) theo phương pháp chuỗi Markov Monte Carlo Đầu tiên, với mơ hình động, giải thuật sử dụng phân bố Gauss kết hợp phân bố Wishart ngược để ước lượng biến vị trí - kích thước đối tượng Ke tiếp, để tăng tính xác mơ hình quan sát, giải thuật sử dụng kết họp hai nguồn thông tin dựa đặc trưng màu sắc đối tượng ma trận tin cậy phát người thu từ giải thuật Histograms of Oriented Gradients (HOG) Sau cùng, áp dụng giải thuật lọc hạt để ước lượng phân bố theo chuỗi Markov Monte Carlo để giải toán theo vết nhiều đối tượng Giải thuật kiểm nghiệm hai sở liệu thực tế với nhiều tình phức tạp liệu CAVIAR liệu PETS’06 Kết thực nghiệm cho thấy tính hiệu giải thuật LỜI CAM ĐOAN Tôi xin cam đoan luận văn sản phẩm thân tơi thực hiện, khơng có chép kết tài liệu hay báo cơng bố trước Tơi xin hồn tồn chịu trách nhiệm với lời cam đoan nói TP Hồ Chí Minh, ngày tháng năm 2016 Học viên thực Ngơ Đình Phong Theo vết Đổi Tượng Trong Camera Giám Sát MỤC LỤC HVTH: Ngơ Đình Phong Trang GVHD: TS Ché Viết Nhật Anh TS Trương Công Dung Nghi MSHV: 12140035 DANH MỤC HÌNH • Theo vết Đổi Tượng Trong Camera Giám Sát GVHD: TS Ché Viết Nhật Anh TS Trương Công CÁC TỪ VIẾT TẮT Dung Nghi EMD: Earth Mover’s Distance HOG: Histograms of Oriented Gradients IS: Importance Sampling MCMC: Markov Chain Monte Carlo MH: Metropolis - Hastings MIMO: Multi input multi output PDF: Probability density function RNG: Random number generator SMC: Sequential Monte Carlo SVM: Support vector machine HVTH: Ngơ Đình Phong Trang V MSHV: 12140035 theo cách thức ước lượng phương trình (4.9) ước lượng theo phương trình sau: I ^”-u) = (v( V I „) (4.21) Với Z* ma trận hiệp phương sai thể phạm vi thay đổi xung quanh biến x*kn l.*kn xác định dựa thông tin giá trị „ qua phân bố Wishart ngược trình bày phương trình (4.10) ước lượng lại sau: (4.22) Do đó, thơng số biến Xkn ma trận hiệp phương sai thay thông số biến X*n ma trận hiệp phương sai X* n, ta cần tính tốn lại giá trị likelihood trình bày phần mơ hình quan sát Trường hợp 4: {ek_ln,ekn} = {0,1} tức đối tượng không diện thời điểm k-1 mà sinh sau thực tinh chỉnh Do xác xuất biến đổi biến X’ n trường hợp xác định sau: V* rrríl TíT \ nít TíT \ TíT í — \ Ar/ _— - ÍA Ta có thơng số giá trị biến Xkn thay thơng số biến X*n, ta cần tính tốn lại giá trị likelihood trình bày phần mơ hình quan sát Và tương ứng với thay đổi biến diện e*k n xác suất chấp nhận cho trường hợp xác định sau: ( A.„ =min (4.2 4) k Sau có xác suất chấp nhận p2 n, ta cần tiến hành việc xem xét nhận hay loại bỏ kết tương tự bước ước lượng kết hợp, cụ thể sau: x< Pin chấp nhận kết tinh chỉnh x>p2n không chấp nhận kết tinh chỉnh - Tinh chỉnh biến vị trí - kích thước: Biến Xk n tách thành hai thành phần vị trí trọng tâm ck,n = IXn’A, J kích thước rk,n = ’ ơ* J đối tượng Hai thành phần tinh chỉnh cách độc lập với để thu thông số vị trí kích thước đối tượng cách tối ưu Tuy nhiên, ta tinh chỉnh trường hợp [ekn,ek_lnj = {1,1} tương ứng với trạng thái cập nhật, thơng số giá trị biến Xk n trường hợp có từ việc ước lượng biến Xk ! n thời điểm trước nên cần tinh chỉnh - Tọa độ trọng tâm đối tượng: ck n = „, yk „]r tinh chỉnh giống với bước ước lượng biến Xk n, ta tinh chỉnh biến ck n mà giữ nguyên biến rk n, tức thay đổi vị trí đối tượng giữ nguyên kích thước đối tượng Hàm ước lượng sử dụng hàm VỚI jj.‘k'n vector trung Dinn aược tinn nnư sau: _ m I ym /ym \ / m P'k.n — Ck-\,n ■*" ^k(12) ^^(22) ) \rk,n (4.2 7) Và ma trận hiệp phưong sai X™ định nghĩa sau: (4.2 8) Trong đó: y/ n yim ^*(11) y/n ^(21) ym ^(12) y/n ^(22) (4.2 9) Do ckn ước lượng cập nhật c*kn nên biến Xk n thay đổi cập nhật biến x*k n Ta dùng mơ hình quan sát trình bày phần để tính tốn lại giá trị likelihood dựa thơng tin đặc trưng màu sắc thông tin từ ma trận tin cậy phát người giải thuật HOG Xác suất chấp nhận cho giá trị trọng tâm đối tượng sau tinh chỉnh là: ( I (4.3 A, = 1, 7— 0) — Sau có xác suất chấp nhận p3 n, ta cần tiến hành việc xem xét nhận hay loại bỏ kết tương tự bước ước lượng kết hợp, cụ thể sau: X < /?3 n chấp nhận kết tinh chỉnh X > /?3 n không chấp nhận kết tinh chỉnh - Kích thước đối tượng: rkn =[rxt„,ryt„] tinh chỉnh giống với bước ước lượng biến Xk n, ta tinh chỉnh biến rk n mà giữ nguyên biến ckn, tức thay đổi kích thước đối tượng giữ nguyên vị trí đối tượng Việc tinh chỉnh theo kích thước rk n = , ryk n J thực tương tự ) ước luvng cụ thể dựa vào hàm ợ4 (r* „ I r^„,c™„,c™ ln ) = N(rkn I sau: (4.3 2) Với jùkn vector trung bình tính sau: (4.33) Và ma trận phương sai: yim yttỉ _ym / -y/n \ ~Zjk(22) ^fc(21) l^fc(ll) I ^k(12) (4.3 4) Do rkn ước lượng cập nhật rk n nên biến Xkn thay đổi cập nhật biến X * n Ta dùng mơ hình quan sát trình bày phần để tính tốn lại giá trị likelihood dựa thơng tin đặc trưng màu sắc thông tin từ ma trận tin cậy phát người giải thuật HOG Xác suất chấp nhận cho giá trị kích thước đối tượng sau tinh chỉnh là: < I A„ = 1’ \ /_ (4.3 5) Sau có xác suất chấp nhận p4 n, ta cần tiến hành việc xem xét nhận hay loại bỏ kết tương tự bước ước lượng kết hợp, cụ thể sau: X < /?4 n chấp nhận kết tinh chỉnh X > /?4 n không chấp nhận kết tinh chỉnh (4.3 6) - Tỉnh chỉnh ma trận hiệp phương sai: Việc tinh chỉnh dựa ma trận hiệp phương sai thực cách đơn giản bước ước lượng thực phương trình (4.10) qua hàm «5 định nghĩa sau: Si, ~Ids",,) (4.37) Với d bậc tự ma trận hiệp phương sai Xác suât châp nhận cho việc tinh chỉnh giá trị hiệp phương sai là: ( p5,„=min 1, (4.3 8) Sau có xác suất chấp nhận p5 n, ta cần tiến hành việc xem xét nhận hay loại bỏ kết tương tự bước ước lượng kết hợp, cụ thể sau: X < p5 n chấp nhận kết tinh chỉnh x>pin không chấp nhận kết tinh chỉnh Các biến sau lần tinh chỉnh chấp nhận cập nhật thay cho giá trị biến cũ đối tượng bước ước lượng kết hợp, kết biểu diễn cách trực quan ảnh hiển thị qua điểm chấm khung hình chữ nhật đánh dấu đối tượng theo vết Như ví dụ Hình 4.7 mơ tả kết hiển thị giải thuật theo vết đối tượng dựa MCMC cách trực quan với hai cách hiển thị sau: Hình 4.7.a hình hiển thị kết bao hàm tất giá trị hạt thu qua giải thuật; Hình 4.7.b hiển thị kết sau tính tốn trung bình tất giá trị hạt kết hiển thị Đối với đối tượng theo vết ta cần gán nhãn để định danh cho đối tượng qua frame liên tiếp Thông qua việc gán nhãn cho đối tượngta dễ dàng theo vết đối tượng mà ta mong muốn, tránh trường hợp đối tượng bị nhầm lẫn với (dễ xảy đối tượng có tưong tác với nhau) a) Kết hiển thị với đầy đủ hạt b) Kết thị sau tính tốn giá trị trung bình Hình 4.7: Hiển thị kết theo vết đối tượng CHƯƠNG 5: KẾT QUẢ Chương trình bày kết đạt qua thực nghiệm, đánh giá kết nêu lên đóng góp hướng phát triển đề tài nghiên cứu 5.1 Kết Giải thuật theo vết đối tượng dựa MCMC kiểm nghiệm hai sở liệu thông dụng là: liệu CAVIAR [40] liệu PETS’06 [41], Hai liệu video clip ghi lại hình ảnh với tình khác nơi cơng cộng Đó người mình, hay gặp gỡ người khác, mua sắm, vào khỏi cửa hàng, cảnh đánh nhau, người bất tỉnh đối tượng bỏ lại gói đồ nơi cơng cộng Hai liệu gần có đầy đủ tình thơng dụng thường xảy nơi công cộng mà camera giám sát hoạt động Do đó, luận văn liệu CAVIAR liệu PETS’06 dùng để thực nghiệm giải thuật theo vết đối tượng nhằm phục vụ cho việc giám sát nơi công cộng thông qua camera Do mục tiêu ban đầu giải thuật tập trung vào việc theo vết đơi tượng với độ xác cao, nên quan tâm đến việc xử lý thời gian thực video Do đó, để đơn giản thực nghiệm, video clip xử lý tách thành ảnh riêng biệt tương ứng với frame Và giải thuật xử lý ảnh cách frame theo thời gian Giải thuật thực với tổng số hạt Np =1500, độ dài khởi động Nb - 500 số đối tượng theo vết tối đa - Hình 5.1 trình bày kết thực nghiệm với đoạn video trích từ sở liệu CAVLAR Đây đoạn video ghi lại hình ảnh đoạn hành lang trung tâm mua sắm Bồ Đào Nha c) Frame 157 e) Frame 192 d) Frame 169 f) Frame 202 g) Frame 210 h) Frame 226 Hình 5.1 Ket thực nghiệm với đoạn video trích từ sở liệu CAVIAR Kết hiển thị với chấm xanh dương khung hình chữ nhật màu đỏ bao quanh đối tượng vừa để đại diện cho đối tượng (về vị trí - kích thước) vừa đánh dấu đối tượng cần theo vết, chấm xanh dương đại diện cho vị trí tâm đối tượng, số màu xanh biểu thị cho số hạt tồn đối tượng Kết cho thấy giải thuật giải tốt tình đối tượng biến (đi khỏi khung hình) xảy frame 157 đối tượng khác xuất (đi vào khung hình) frame 169 Hơn nữa, tình đối tượng có tương tác dẫn đến bị chồng lấp lên phần giải thuật cho kết khả quan từ frame 192 đến frame 210 Với đối tượng xa phía cuối hành lang độ phân giải không đủ để giải thuật xử lý nên theo vết Đối (vùng diễn với đoạn tương video đối phức trích tạp từkhác liệu số lượng PETS’06, đối tượng tình theo vết nhau, nhiều tình hơn, tương đối tượng tác cóbởi hình đối dáng tượng bề phức giống tạp thiếu sáng che lấp so với lớn), vùng (hành khung lang hình sát đồn có vùng tàu) HVTH: Ngơ Đình Phong Trang 72 MSHV: 12140035 Theo vết Đổi Tượng Trong Camera Giám Sát GVHD: TS Ché Viết Nhật Anh TS Trương Công Dung Nghi a) Frame 1018 b) Frame 1031 c) Frame 1047 d) Frame 1056 e) Frame f) Frame 1060 1081 Hình 5.2 Kết thực nghiệm với đoạn video trích từ sở liệu PETS’06 HVTH: Ngơ Đình Phong Trang 73 MSHV: 12140035 Theo vết Đổi Tượng Trong Camera Giám Sát GVHD: TS Ché Viết Nhật Anh TS Trương Công Kết thực nghiệm cho thấy giải thuật xử lý tốt tìnhDung huốngNghi xuất đối tượng vào khu vực quan sát camera frame 1031 frame 1047 Tuy nhiên, xảy tình đối tượng tương tác với nhau, frame 1060 bị lỗi khơng phân biệt hai đối tượng riêng biệt, phần che lấp lớn, đặc biệt đặc điểm nhận dạng vẻ bề hai đối tượng giống (tương đồng màu sắc) Ngoài ra, với vùng ảnh bị thiếu sáng so với vùng khác có vật che khuất (hành lang sát đồn tàu) giải thuật khơng thể theo vết đối tượng được, nguyên nhân phần màu tối, có vật che lấp, cộng thêm đặc điểm bề đối tượng (đặc trưng màu sắc) gần với màu Ngoài trường hợp đặc biệt kể trên, giải thuật xử lý tốt việc theo vết đối tượng 5.2 Kết luận phương hướng phát triển Luận văn trình bày bước xây dựng giải thuật theo vết nhiều đối tượng vùng quan sát camera cố định dựa sở lọc hạt (particle filtering) theo mơ hình MCMC Trong luận văn trình bày nội dung từ chương giới thiệu đề tài, toán cần giải khó khăn thách thức phải đối mặt Chương cho ta nhìn tổng qt cơng trình nghiên cứu ngồi nước có liên quan đến giải thuật theo vết đối tượng Chương nêu lý thuyết tổng quan khái niệm quan trọng phân bo Wishart ngược, phương pháp mà thuật toán áp dụng phương pháp Monte Carlo Chương trình bày bước xây dựng giải thuật với việc kết hợp hai nguồn thông tin đặc điểm màu sắc đối tượng theo vết ma trận tin cậy phát người từ giải thuật HOG nhằm tăng hiệu Sau giải thuật xây dựng nguyên lý lọc hạt với việc ước lượng theo chuỗi Markov Monte Carlo Chương trình bày kết thực nghiệm hai cở liệu thông dụng liệu CAVIAR liệu PETS’06 với tình phức tạp thường diễn nơi công cộng Kết thực nghiệm cho thấy tính hiệu độ xác giải thuật theo vết nhiều đối tượng Một số triển vọng xem xét để phát triển sau đề tài này: HVTH: Ngơ Đình Phong Trang 74 MSHV: 12140035 Theo vết Đổi Tượng Trong Camera Giám Sát GVHD: TS Ché Viết Nhật Anh TS Trương Cơng - Hiện thuật tốn giải toán theo vết đốiDung tượngNghi theo hướng xử lý offline nên chưa đáp ứng nhu cầu giám sát thực tế Do đó, giải thuật cải tiến để thời gian xử lý nhanh đáp ứng với xử lý thời gian thực - Thuật toán theo vết nhiều đối tượng mà chưa đáp ứng số chức giám sát tự động cao cấp nhận biết hành vi bất thường đối tượng (ví dụ như: đánh nhau, bất tỉnh, bỏ lại gói đồ khả nghi ) nhằm đưa cảnh báo kịp thời Điều cần nghiên cứu chuyên sâu đặc điểm hành vi người - Bài tốn theo vết kết hợp với tốn tái nhận dạng để theo vết khơng camera cố định mà theo vết đối tượng qua hệ thống camera giám sát phạm vi rộng Và nhu cầu thực tế hệ thống camera giám sát 5.3 Những đóng góp luận văn - Luận văn có tổng hợp tóm tắt kiến thức liên quan đến hệ thống theo vết đối tượng, khó khăn thách thức tồn - Trong luận vãn có trình bày cách thức phân loại giải thuật theo vài nghiên cứu trước đó, giúp đưa một cách nhìn tổng quan để tiếp cận với tốn - Luận vãn có trình bày số khái niệm thuật tốn có liên quan đến giải thuật theo vết đối tượng - Luận vãn xây dựng giải thuật nhằm giải hiệu toán theo vết đối tượng TÀI LIỆU THAM KHẢO [1] Zang, Qi, and Reinhard Klette "Object classification and tracking in video surveillance." International Conference on Computer Analysis of Images and Patterns Springer Berlin Heidelberg, 2003 HVTH: Ngô Đình Phong Trang 75 MSHV: 12140035 Theo vết Đổi Tượng Trong Camera Giám Sát GVHD: TS Ché Viết Nhật Anh TS Trương Công [2] Yilmaz, Alper, Omar Javed, and Mubarak Shah "ObjectDung tracking: A survey." Acm Nghi computing surveys (CSUR) 38.4 (2006): 13 [3] K Okuma, A Taleghani, N De Freitas, J Little, and D Lowe “A boosted particle filter: Multitarget detection and tracking” In Eur Conf Comp Vision, 2004 [4] J Vermaak, A Doucet, and p Perez “Maintaining multi-modality through mixture tracking” In IEEE Int Conf Comp Vision, 2003 [5] Y Cai, N de Freitas, and J J Little “Robust visual tracking for multiple targets” In Eur Conf Comp Vision, 2006 [6] A Ess, B Leibe, K Schindler, and L Van Gool “Robust multi-person tracking from a mobile platform” IEEE T Pattern Anal, and Machine Intell., 31(10):1831-1846,2009 [7] J Giebel, D Gavrila, and c Schnorr “A bayesian framework for multicue 3d object tracking” In Eur Conf Comp Vision, 2004 [8] B Wu and R Nevatia “Detection and tracking of multiple, partially occluded humans by bayesian combination of edgelet based part detectors” Int J Comp Vision, 75(2):247-266, 2007 [9] s Pellegrini, A Ess, K Schindler, and L Van Gool “You’ll never walk alone: Modeling social behavior for multi-target tracking” In IEEE Int Conf Comp Vision, 2009 [10] Y Li, H Ai, c Huang, and s Lao “Robust head tracking based on a multistate particle filter” In IEEE Conf Face and Gesture Rec., 2006 [11] s Avidan “Ensemble tracking” IEEE T Pattern Anal, and Machine Intell., 29(2):261-271,2007 [12] H Grabner and H Bischof “On-line boosting and vision” In IEEE Comp Vision and Pattern Rec., 2006 HVTH: Ngơ Đình Phong Trang 76 MSHV: 12140035 Theo vết Đổi Tượng Trong Camera Giám Sát GVHD: TS Ché Viết Nhật Anh TS Trương Công [13] Y Li, H Ai, T Yamashita, s Lao, and M Kawade “Tracking in low frame rate Dung Nghi video: A cascade particle filter with discriminative observers of different life spans” IEEE T Pattern Anal, and Machine Intell., 30(10): 1728-1740, 2008 [14] B Wu, L Zhang, V K Singh, and R Nevada “Robust object tracking based on detection with soft decision” In IEEE Workshop Motion and Video Computing, 2008 [15] R Choudhury, c Schmid, and K Mikolajczyk “Face detection and tracking in a video by propagating detection probabilities” IEEE T Pattern Anal, and Machine Intell., 25(10): 1215-1228,2003 [16] X Ren Finding people in archive films through tracking In IEEE Comp Vision and Pattern Rec., 2008 [17] M Isard and A Blake “Condensation—conditional density propagation for visual tracking” Int J Comp Vision, 29(l):5-28, 1998 [18] D Schulz, w Burgard, D Fox, and A Cremers “Tracking multiple moving targets with a mobile robot using particle filters and statistical data association” In IEEE Int Conf Robotics and Automation, 2001 [19] z Khan, T Balch, and F Dellaert “Mcmc-based particle filtering for tracking a variable number of interacting targets” IEEE T Pattern Anal, and Machine Intell., 27(ll):1805-1918, 2005 [20] o Lanz “Approximate Bayesian multibody tracking” IEEE T Pattern Anal, and Machine Intell., 28(9): 1436-1449, 2006 [21] c Rasmussen and G D Hager “Probabilistic data association methods for tracking complex visual objects” IEEE T Pattern Anal, and Machine Intell., 2001 [22] M Isard and A Blake “Condensation-conditional density propagation for visual tracking” Int J Comput Vision, vol 29, no 1, pp 5-28,1998 HVTH: Ngơ Đình Phong Trang 77 MSHV: 12140035 Theo vết Đổi Tượng Trong Camera Giám Sát GVHD: TS Ché Viết Nhật Anh TS Trương Công [23] p Perez, c Hue, J Vermaak, and M Gangnet “Color-based probabilistic tracking”, Dung Nghi in ECCV 2002, pp 661-675, Springer [24] K Nummiaro, E Koller-Meier, and L Van Gool “Anadaptive color-based particle filter” Image Vision Comput., vol 21, no [17] 1, pp 99-110, 2003 [25] S.K Zhou, R Chellappa, and B Moghaddam “Visual tracking and recognition using appearance-adaptive models in particle filters” IEEE Trans, on Image Process., vol 13, no 11, pp 1491-1506, 2004 [26] H Wang, D Suter, K Schindler, and c Shen “Adaptive object tracking based on an effective appearance filter” PAMI, vol 29, no 9, pp 1661-1667, 2007 [27] L Jin, J Cheng, and H Huang “Human tracking in the complicated background by particle filter using color-histogram and hog” ISPCS, 2010, pp 1^ [28] A Yao, G Wang, X Lin, and X Chai “An incremental bhattacharyya dissimilarity measure for particle filtering” Pattern Recognit., vol.43, no.4,2010 [29] X Li, w Hu, z Zhang, X Zhang, and G Luo “Robust visual tracking based on incremental tensor subspace learning” In ICCV, 2007 HVTH: Ngơ Đình Phong Trang 78 MSHV: 12140035 ... việc theo vết nhiều đối tượng che khuất, chồng lấn đối tượng Do tơi chọn thực luận văn: Theo vết đối tượng camera giám sát HVTH: Ngơ Đình Phong Trang 11 MSHV: 12140035 Theo vết Đổi Tượng Trong Camera. .. phát đối tượng mà cụ thể đề tài người hai theo vết đối tượng người di chuyển phạm vi camera quan sát thu Đe giải toán theo vết đối tượng này, em tiến hành thực nghiên cứu đề tài: Theo vết đối tượng. .. thống giám sát giải thuật theo vết, để xây dựng thuật toán theo vết nhiều đối tượng lúc camera giám sát cố định, số lượng đối tượng khơng biết trước, thay đổi theo thời gian Có khả tự động phát theo