Трекинг, отслеживание ключевых областей

Для отслеживания ключевых областей существуют различные алгоритмы. Все они характеризуются способом реализации следующих действий: последовательное выделение областей, минимизация полученной информации и описание отслеживания изменений. Что касается двух последних этапов, то это вопрос представления данных и они различны почти во всех реализациях. Для первого же этапа существует несколько общепринятых технологий.

Выделение датчиков проще всего: датчик может либо передавать вместе с полезной информацией свою подпись, либо иметь отличную от соседних частоту, если это радиомаяк.

Сложнее дело обстоит с выделением данных в пассивных системах. Прежде всего, необходимо отделить изображение анализируемого объекта от изображения фона. Алгоритмы, решающие эту задачу подразделяются на временные и пространственные.

Временные алгоритмы основываются на сравнении нескольких кадров. В таком случае объект легко выделить по его движению на фоне статичной окружающей среды.

Вычитание изображений – это один из временных алгоритмов. Этот алгоритм сравнивает кадры и удаляет из них совпадающую информацию, которой с большой вероятностью оказывается фон.

Другой временной алгоритм отслеживания - анализ когерентных потоков. В этом случае из изображения выделяются однородные сгустки и сравниваются с возможными деталями формы объекта.

Пространственные алгоритмы анализируют не изменение изображения во времени, а структуры, из которых состоит изображение.

Алгоритм граничного выделения объекта основывается на контрасте цвета объекта и цвета фона. Существует два подхода к формированию изображения для анализа этим алгоритмом. Либо объект отображается монотонно, обычно, голубым цветом на фоне среды любого цвета. Либо объект любой расцветки выделятся монотонной, обычно, черной средой.

В эту группу алгоритмов входят и различные статистические методы выделения объекта. В этом случае объект обычно выделяется особым способом расположенными на нем цветными точками либо особыми формами, присущими данному объекту.

После получения и формализации данных, анализ переходит на следующую ступень.

До сих пор мы говорили о способах выделения ключевых областей из общего потока информации. И, если система использует активные датчики или даже дифференцируемые маркеры, то этап отслеживания ключевых областей на этом завершает свою работу. Однако возможно использование однотипных маркеров либо корреляционное получение информации. В этих случаях на этапе трекинга появляется специфическая подзадача. Подзадача сопоставления ключевых областей друг другу в кадрах информации, полученных на различных временных метках.

Для разрешения описанной проблемы, в любом случае, необходимо использовать искусственный интеллект, конечно, в разной степени.

Одним из самых популярных и простых с алгоритмической точки зрения вариантов решения является использование высокочастотных датчиков. Большинство систем захвата движения, присутствующих на рынке, используют высокочастотные видеокамеры, для получения изображения объекта. Частота камер варьируется от 100 до 800 кадров в секунду. Такие частоты, конечно, существенно упрощают алгоритмы сопоставления маркеров, потому что в следующем кадре маркер очень незначительно перемещается от своего предыдущего положения.

Однако разрабатываются и алгоритмы, направленные на отвязку от качества аппаратуры. Они более интеллектуальные. Например, маркеры можно располагать определенным образом, позволяющим определять однозначно некоторые группы маркеров независимо от их положения и трансформации.

В дополнение к неравномерному распределению маркеров предложено использование априорных знаний о структуре объекта. В таких реализациях обычно используется активная модель объекта для отслеживания маркеров. Например, зная положение маркеров локтевого и плечевого суставов модели человека, мы можем точно сказать, что, если предполагаемый маркер кисти отклонился более чем на 90 градусов в наружную сторону руки, то это не маркер кисти. Вводя много такого рода ограничений в структуру модели, мы можем достичь требуемой для решения поставленной задачи «интеллектуальности» модели.