The Journal of Korean Institute of Next Generation Computing (한국차세대컴퓨팅학회논문지)

Korean Institute of Next Generation Computing (한국차세대컴퓨팅학회)
권호 표지

Robust Object Tracking based on Weight Control in Particle Swarm Optimization

파티클 스웜 최적화에서의 가중치 조절에 기반한 강인한 객체 추적 알고리즘

  • 강규창 (군산대학교 IT정보제어공학부) ;
  • 배창석 (대전대학교 전자정보통신공학과) ;
  • Received : 2018.09.28
  • Accepted : 2018.10.31
  • Published : 2018.12.31

⟨ Previous Next ⟩

Abstract

This paper proposes an enhanced object tracking algorithm to compensate the lack of temporal information in existing particle swarm optimization based object trackers using the trajectory of the target object. The proposed scheme also enables the tracking and documentation of the location of an online updated set of distractions. Based on the trajectories information and the distraction set, a rule based approach with adaptive parameters is utilized for occlusion detection and determination of the target position. Compare to existing algorithms, the proposed approach provides more comprehensive use of available information and does not require manual adjustment of threshold values. Moreover, an effective weight adjustment function is proposed to alleviate the diversity loss and pre-mature convergence problem in particle swarm optimization. The proposed weight function ensures particles to search thoroughly in the frame before convergence to an optimum solution. In the existence of multiple objects with similar feature composition, this algorithm is tested to significantly reduce convergence to nearby distractions compared to the other existing swarm intelligence based object trackers.

본 논문에서는 기존 파티클 스웜 최적화를 기반으로 추적 대상 객체의 이동 궤적을 이용하는 객체 추적기에서 시간 정보 활용의 문제점을 개선한 강인한 객체 추적 알고리즘을 제안한다. 제안하는 알고리즘은 추적 대상 객체와 유사한 특징을 가지는 변위들의 집합에 대한 위치들의 온라인 업데이트와 추적을 가능하게 한다. 객체들의 중첩을 검출하고 추적 대상의 위치를 결정하기 위해 궤적 정보와 변위들의 집합을 기반으로 적응적 파라미터를 사용하는 규칙기반 접근을 사용한다. 기존 알고리즘들과 비교해보면 제안하는 접근법은 가용한 정보를 복합적으로 사용함으로써 각종 임계값에 대한 적응적 조정을 가능하게 한다. 또한, 파티클 스웜 최적화에서 발산에 의한 손실과 불완전한 수렴의 문제를 해결하기 위해 효율적인 가중치 조절 함수를 제안하고 있다. 제안하는 가중치 조절 함수는 파티클들이 최적의 해에 수렴하기 이전에 전체 프레임 영역에서 탐색할 수 있도록 한다. 유사한 특징 조합을 가지는 다중 객체가 존재하는 환경에서 제안 알고리즘을 테스트한 결과, 기존 스웜 최적화 기반의 객체 추적기들에 비해 기존 유사 변위들에 대한 잘못된 추적을 현저히 줄이는 것을 확인할 수 있었다.

Keywords

Acknowledgement

Supported by : 한국연구재단

References

  1. 박소령, 노상욱, "다중로봇의 정보융합을 통한 다중표 적의 유형 및 위치 추정," 한국차세대컴퓨팅학회논문지, 제9권, 제1호, 2013년 2월.
  2. 최재인, 김태영, "특징점 기반 카메라 트래킹을 이용한 손 움직임 보정 기법," 한국차세대컴퓨팅학회논문지, 제11권, 제2호, 2015년 4월.
  3. 성동수, "CCTV 카메라 공유를 통한 안심 귀가 서비스의 개선," 한국차세대컴퓨팅학회논문지, 제13권, 제1호, 2017년 2월.
  4. A. Yilmaz, O. Javed and M. Shah, "Object Tracking: A Survey," Acm computing surveys (CSUR), vol. 38, no. 13, Dec. 2006.
  5. C. Chang, R. Ansari and A. Khokhar, "Multiple Object Tracking with Kernel Particle Filter," presented at the IEEE Conference on Computer Vision and Pattern Recognition, San Diego, USA, 2005.
  6. S. Weng, C. Kuo and S. Tu, "Video Object Tracking Using Adaptive Kalman Filter," Journal of Visual Communication and Image Representation, vol. 17, no. 6, Dec. 2006, pp. 1190-1208. https://doi.org/10.1016/j.jvcir.2006.03.004
  7. J. Cho et al., "Moving-Target Tracking Based on Particle Filter with TDOA/FDOA Measurements," ETRI Journal, vol. 34, no. 2, Apr. 2012, pp. 260-263. https://doi.org/10.4218/etrij.12.0211.0218
  8. M. Yildirimet al., "Direction-Based Modified Particle Filter for Vehicle Tracking," ETRI Journal, vol. 38, no. 2, Apr. 2016, pp. 356-365 https://doi.org/10.4218/etrij.16.0115.0181
  9. H. Baskoro, J. Kim, and C. Kim, "Mean-Shift Object Tracking with Discrete and Real AdaBoost Techniques," ETRI Journal, vol. 31, no. 3, June. 2009, pp. 282-291. https://doi.org/10.4218/etrij.09.0108.0372
  10. M. Danelljan et al., "Convolutional Features for Correlation Filter Based Visual Tracking," presented at the IEEE International Conference on Computer Vision Workshops, Boston, USA, 2015.
  11. S. Kodagoda and S. Sehestedt, "Simultaneous People Tracking and Motion Pattern Learning," Expert Systems with Applications, vol. 41, no. 16, Nov. 2014, pp. 7272-7280. https://doi.org/10.1016/j.eswa.2014.05.019
  12. R. Eberhart and J. Kennedy, "A New Optimizer Using Particle Swarm Theory," presented at the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 1995.
  13. Y. Shi and R. Eberhart, "Empirical Study of Particle Swarm Optimization," presented at the 1999 Congress in Evolutionary Computation, Washington, USA, 1999.
  14. J. Zhao and Z. Li, "Particle Filter Based On Particle Swarm Optimization Resampling for Vision Tracking," Expert Systems with Applications, vol. 37, no. 12, Dec. 2010, pp. 8910-8914. https://doi.org/10.1016/j.eswa.2010.05.086
  15. I. Gosciniak, "A New Approach to Particle Swarm Optimization Algorithm," Expert Systems with Applications, vol. 42, no. 2, Feb. 2015, pp. 844-854. https://doi.org/10.1016/j.eswa.2014.07.034
  16. F. Sha et al., "A Categorized Particle Swarm Optimization for Object Tracking," presented at the 2015 IEEE Congress on Evolutionary Computation (CEC), Sendai, Japan, 2015.
  17. F. Sha et al., "A Probability-Dynamic Particle Swarm Optimization for Object Tracking," presented at the 2015 International Joint Conference in Neural Networks, Killarney, Ireland, 2015.
  18. C. Bae et al., "A New Simplified Swarm Optimization (SSO) Using Exchange Local Search Scheme," International Journal of Innovative Computing, Information and Control, vol. 8, no. 6, June 2012, pp. 4391-4406.
  19. C. Bae et al., "A Novel Real Time Video Tracking Framework Using Adaptive Discrete Swarm Optimization," Expert Systems with Applications, vol. 64, Dec. 2016, pp. 385-399. https://doi.org/10.1016/j.eswa.2016.08.027
  20. Y. Wu, J. Lim and M. Yang, "Online Object Tracking: A Benchmark," presented at the IEEE conference on computer vision and pattern recognition, Portland, Oregon, 2013.