Suivi d’objets avec Mean shift en utilisant BWH et CBWH

Abstract

Le suivi d’objets est une tâche importante dans la vision par ordinateur. De nombreux algorithmes ont été proposés pour résoudre les divers problèmes posés par les bruits, les encombrements et les occultations, etc. Parmi les différents algorithmes de suivi, le tracker Mean shift est l’un des algorithmes de suivi les plus efficaces pour les applications en temps réel, en raison de sa simplicité et de sa robustesse. Dans ce travail, nous nous intéressons au suivi d’objet avec l’algorithme Mean Shift en utilisant l'histogramme pondéré corrigé en fonction du fond CBWH (Corrected Background-Weighted Histogram) pour réduire les interférences du fond dans la localisation de la cible. L'algorithme CBWH a corrigé la formule BWH (Background-Weighted Histogram) en transformant uniquement le modèle cible mais pas le modèle candidat cible. Cet algorithme peut effectivement réduire l’interférence de l’arrière-plan dans la localisation de la cible et peut conduire à une convergence plus rapide et à une localisation plus précise que la représentation cible habituelle dans le tracker Mean shift. Les algorithmes Mean shift, BWH et CBWH sont appliqués à base de données OTB qui contient la vérité terrain et leur comparaison mutuelle par rapport à leurs performances respectives concernant des points de vue qualitatifs (visuel) et quantitatifs (erreur de localisation de centre et taux de recouvrement) a été effectuée. Mots clés: suivi d’objet, mean shift, histogramme pondéré, BWH, CBWH.