1 |
[en] COLLABORATIVE FACE TRACKING: A FRAMEWORK FOR THE LONG-TERM FACE TRACKING / [pt] RASTREAMENTO DE FACES COLABORATIVO: UMA METODOLOGIA PARA O RASTREAMENTO DE FACES AO LONGO PRAZOVICTOR HUGO AYMA QUIRITA 22 March 2021 (has links)
[pt] O rastreamento visual é uma etapa essencial em diversas aplicações
de visão computacional. Em particular, o rastreamento facial é considerado
uma tarefa desafiadora devido às variações na aparência da face, devidas
à etnia, gênero, presença de bigode ou barba e cosméticos, além de variações
na aparência ao longo da sequência de vídeo, como deformações,
variações em iluminação, movimentos abruptos e oclusões. Geralmente, os
rastreadores são robustos a alguns destes fatores, porém não alcançam resultados
satisfatórios ao lidar com múltiplos fatores ao mesmo tempo. Uma
alternativa é combinar as respostas de diferentes rastreadores para alcançar
resultados mais robustos. Este trabalho se insere neste contexto e propõe
um novo método para a fusão de rastreadores escalável, robusto, preciso
e capaz de manipular rastreadores independentemente de seus modelos. O
método prevê ainda a integração de detectores de faces ao modelo de fusão
de forma a aumentar a acurácia do rastreamento. O método proposto foi
implementado para fins de validação, tendo sido testado em diversas configurações
que combinaram até cinco rastreadores distintos e um detector de
faces. Em testes realizados a partir de quatro sequências de vídeo que apresentam
condições diversas de imageamento o método superou em acurácia
os rastreadores utilizados individualmente. / [en] Visual tracking is fundamental in several computer vision applications.
In particular, face tracking is challenging because of the variations in facial
appearance, due to age, ethnicity, gender, facial hair, and cosmetics, as well
as appearance variations in long video sequences caused by facial deformations,
lighting conditions, abrupt movements, and occlusions. Generally,
trackers are robust to some of these factors but do not achieve satisfactory
results when dealing with combined occurrences. An alternative is to combine
the results of different trackers to achieve more robust outcomes. This
work fits into this context and proposes a new method for scalable, robust
and accurate tracker fusion able to combine trackers regardless of their models.
The method further provides the integration of face detectors into the
fusion model to increase the tracking accuracy. The proposed method was
implemented for validation purposes and was tested in different configurations
that combined up to five different trackers and one face detector. In
tests on four video sequences that present different imaging conditions the
method outperformed the trackers used individually.
|
Page generated in 0.04 seconds