Skraidančių mikro objektų sekimas Flying mikro object tracking

Ištrauka

Skraidančių mikro objektų sekimas
Baigiamasis bakalauro darbas

TURINYS
TURINYS 2
ĮVADAS 4
1. MAŠININIS VAIZDAS 5
2. DIDŽIAUSI SUNKUMAI VYKDANT OBJEKTŲ SEKIMĄ 6
3. SEKIMO METODAI 7
3.1. YPATYBĖMIS PAREMTAS SEKIMAS 7
3.2. ŠABLONAIS PARЕMTAS SEKIMAS 8
3.3. GILIU MOKYMOSI PAREMTAS SEKIMAS 8
3.4. SPALVOMIS PAREMTAS SEKIMAS 9
3.5. FONO ATĖMIMU PAREMTAS SEKIMAS 9
4. SEKIMO ALGORITMAI 10
4.1. OPENCV SEKIMO ALGORITMAI 10
4.1.1. BOOSTING 10
4.1.2. MIL (MULTIPLE INSTANCE LEARNING) 11
4.1.3. KCF (KERNELIZED CORRELATION FILTERS) 11
4.1.4. TLD (TRACKING LEARNING DETECTION) 11
4.1.5. MEDIANFLOW 12
4.1.6. GOTURN (GENERIC OBJECT TRACKING USING REGRESSION NETWORK) 12
4.1.7. MOSSE (MINIMUM OUTPUT SUM OF SQUARED ERROR) 13
4.1.8. CSRT (DISCRIMINATIVE CORRELATION FILTER WITH CHANNEL AND 
SPATIAL RELIABILITY) 13
4.2. YOLO 14
4.2.1. YOLOV1 14
4.2.2. YOLOV4 14
4.2.3. YOLOV8 15
4.3. SSD MOBILENET V2 15
4.4. SEKIMO ALGORITMŲ APIBENDRINIMAS 15
5. PASIRUOŠIMAS BANDYMAS 16
5.1. DUOMENŲ ANOTAVIMAS 16
5.2. DUOMENŲ RINKINIO CHARAKTERISTIKOS 16
6. BANDYMŲ REZULTATAI 16
6.1. GREITIS KADRAIS PER SEKUNDĘ 17
6.2. IOU 17
6.3. RECALL 18
6.4. MAP (MEAN AVERAGE PRECISION) 18
6.5. TRAIN LOSS 19
6.6. BANDYMŲ IŠVADOS 19
7. KONVOLIUCINIAIS NEURONINIAIS TINKLAIS PAREMTŲ MODELIŲ 
TRENIRAVIMAS 19
7.1. DUOMENŲ RINKINYS 19
7.1.1. YOLOV8 21
7.1.2. SSD MOBILENET V2 21
7.2. TRENIRAVIMO REZULTATAI 21
7.2.1. SSD MOBILENET V2 22
7.2.2. YOLOV8 22
7.3. TRENIRAVIMO REZULTATŲ APIBENDRINIMAS 24
8. OBJEKTŲ ATPAŽINIMAS REALIU LAIKU 24
8.1. TECHNINĖ ĮRANGA 24
8.2. BANDYMO REZULTATAS 25
9. IŠVADOS 26
10. LITERATŪROS SĄRAŠAS 27

Įvadas
Skaidančių mikro objektų sekimas yra objektų sekimo polaukis, skirtas mažiems ore
judančių objektų, pvž. dronų, paukščių ar vabzdžių sekimui. Šio tipo objektų sekimas yra
svarbus įvairiose srityse, kaip laukinės gamtos stebėjime, karinėje priežiūroje, paieškos ir
gelbėjimo operacijose.
Vieni iš pagrindinių iššūkių šioje srityje yra didelis sekamų objektų greitis bei
manevringumas, taip pat objektų sekimui didelę įtaką daro ir kiti veiksniai kaip: vaizdo
medžiagos kokybė, objekto besikeičiančios fоrmos, apšvietimo pasikeitimas, taigi, dėl šių
priežasčių sunku tiksliai sekti objektus. Norėdami įveikti šiuos iššūkius mokslininkai sukūrė
specializuotus skraidančių mikro objektų sekimo algoritmus bei metodus.
Skraidančių mikro objektų sekimas gali būti pritaikytas įvairiose srityse, kaip ir
anksčiau minėta: laukinės gamtos stebėjime, karinėje priežiūroje, paieškos ir gelbėjimo
operacijose. Pavyzdžiui, stebint laukinę gamtą , skraidančių mikro objektų sekimas gali būti
panaudotas paukščių ar vabzdžių migracijai sekti, o paieškos ir gelbėjimo operacijose –
pasiklydusių asmenų vietai nustatyti. Karinėje priežiūroje mikro objektų sekimas bei
atpažinimas gali būti naudojamas sekti ir stebėti mažų UAV judėjimą, suteikiant vertingos
informacijos stebėjimo ir saugumo programoms, pavyzdžiui, pasienio patruliavimą ar kovą su terorizmu.
Šio darbo tikslas išnagrinėti mašininio matymo metodus, ištirti mažų objektų
sekimo problematiką bei panaudojimą, palyginti kelis skirtingus OpenCV bibliotekos
sekimo algoritmus, konvoliuciniais neuroniniais tinklais veikiančius atpažinimo
algoritmus ir nustatyti jų efektyvumą.
Iškelti uždaviniai tikslui pasiekti:
1. Atlikti mokslinės literatūros analizę mašininio matymo bei objektų sekimo tema
2. Apžvelgti populiariausius sekimo metodus bei algoritmus.
3. Palyginti OpenCV bibliotekos sekimo algoritmus pagal pagrindines objektų sekimo metrikas
4. Palyginti konvuliuciniais neuroniniais tinklais veikiančius algoritmus pagal jų treniravimosi rezultatus ir kitas metrikas
5. Panaudoti algoritmą mikro objektų atpažinimui realiu laiku