Odhadování pravděpodobnosti detekce v algoritmech pro sledování více cílů s využitím pokročilých metod zpracování obrazu

Abstract

Tato práce se zaměřuje na problém sledování cílů se zašuměnými měřeními v prostředí s obsahem falešných cílů. Algoritmy pro sledování více cílů s nejistotou v počtu cílů a nejistotou v jejich přežití jsou mnohdy citlivé na správné nastavení parametrů vzhledem k prostředí. Jedním z klíčových parametrů je pravděpodobnost detekce, která se mnohdy uvažuje konstantní. V této práci je představena metoda pro odhad této pravděpodobnosti pro každý cíl v každém časovém okamžiku při sledování cílů na video záznamech. K získání měření od cílů je použito pokročilých metod umělé inteligence pro zpracování obrazu, jejichž výstupy jsou využity k vypočtení pravěpodobnosti detekce. K analýze funkčnosti použitého řešení je využito Gaussian mixture probability hypothesis density (GM-PHD) filtru, který patří mezi základní algoritmy pro sledování více cílů, založené na statistice konečných náhodných množin. Vhodnost použitého řešení je poté diskutována spolu s omezeními a potenciálními budoucími možnostmi dalšího vylepšení.

This thesis focuses on the problem of multi-target tracking with noisy measurements in a cluttered environment. Algorithms for tracking multiple targets with the uncertainty in the number of targets and their survival are often sensitive to the correct setting of parameters relative to the environment. One of the key parameters is the detection probability, which is often constant. In this work, a method to estimate this probability for each target at any time step is demonstrated through tracking objects in video footages. Advanced deep-learning algorithms for image processing are utilized to provide targets' measurements. Outputs of these methods are then exploited to calculate the detection probability. To analyse the capability of the proposed method, the Gaussian mixture probability hypothesis density (GM-PHD) filter is used. This filter falls among fundamental random finite sets statistics-based ultitarget algorithms. The appropriateness of the proposed method is then discussed with regards to its limitations and possible future improvements.