PHƯƠNG PHÁP THỊ GIÁC THÔNG MINH CHO THEO DÕI ĐA ĐỐI TƯỢNG TRONG THỜI GIAN THỰC
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.14521Tóm tắt
Bài báo trình bày một hệ thống theo dõi đa đối tượng thời gian thực kết hợp bộ phát hiện YOLOv10 với thuật toán DeepSORT. Kiến trúc hai nhánh được thiết kế để nối liền quy trình từ phát hiện hộp giới hạn và nhãn lớp ở từng khung hình đến duy trì định danh ổn định theo thời gian. Dữ liệu video được thu thập và tách khung hình, áp dụng tiền xử lý và tăng cường trên Roboflow; mô hình YOLOv10 được huấn luyện với cấu hình tiêu chuẩn, sau đó tích hợp cùng DeepSORT cho giai đoạn liên kết và quản lý vòng đời vệt. Hệ thống được đánh giá bằng các chỉ số Precision, Recall, Tracking Accuracy/IDF1, ID Switches và FPS. Kết quả cho thấy pipeline hoạt động ổn định ở khoảng 7–8 FPS (khung hình trên giây) trên video 720p khi chạy GPU (Bộ xử lý đồ họa), duy trì cân bằng giữa độ chính xác phát hiện và độ bền định danh trong bối cảnh có giao cắt hoặc che khuất ngắn hạn. Những quan sát này khẳng định tính khả dụng của giải pháp trong các ứng dụng giám sát, giao thông và phân tích hành vi, đồng thời mở ra hướng mở rộng thông qua tối ưu tham số và gia tăng dữ liệu huấn luyện.Lượt tải
Tài liệu tham khảo
H.T. Duong, V.T. Le, and V. T. Hoang, “Deep Learning-Based Anomaly Detection in Video Surveillance: A Survey,” Sensors, vol. 23, no. 11, Jan. 2023, doi: 10.3390/s23115024.
G. Ciaparrone, F. Luque Sánchez, S. Tabik, L. Troiano, R. Tagliaferri, and F. Herrera, “Deep learning in video multi-object tracking: A survey,” Neurocomputing, vol. 381, pp. 61-88, Mar. 2020, doi: 10.1016/j.neucom.2019.11.023.
N. Wojke, A. Bewley, and D. Paulus, “Simple Online and Realtime Tracking with a Deep Association Metric,” arXiv: arXiv:1703.07402, Mar. 21, 2017, doi: 10.48550/arXiv.1703.07402.
X. Zhou, V. Koltun, and P. Krähenbühl, “Tracking Objects as Points,” arXiv: arXiv:2004.01177, Aug. 21, 2020, doi: 10.48550/arXiv.2004.01177.
Y. Zhang, C. Wang, X. Wang, W. Zeng, and W. Liu, “FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking,” Int. J. Comput. Vis., vol. 129, no. 11, pp. 3069-3087, Nov. 2021, doi: 10.1007/s11263-021-01513-4.
E. Ristani, F. Solera, R. S. Zou, R. Cucchiara, and C. Tomasi, “Performance Measures and a Data Set for Multi-Target, Multi-Camera Tracking,” arXiv: arXiv:1609.01775, Sept. 19, 2016, doi: 10.48550/arXiv.1609.01775.
Y. Zhang et al., “ByteTrack: Multi-Object Tracking by Associating Every Detection Box,” arXiv: arXiv:2110.06864, Apr. 07, 2022, doi: 10.48550/arXiv.2110.06864.
L. Leal-Taixé, A. Milan, I. Reid, S. Roth, and K. Schindler, “MOTChallenge 2015: Towards a Benchmark for Multi-Target Tracking,” arXiv: arXiv:1504.01942, Apr. 08, 2015, doi: 10.48550/arXiv.1504.01942.
P. Dendorfer et al., “MOT20: A benchmark for multi object tracking in crowded scenes,” arXiv: arXiv:2003.09003, Mar. 19, 2020, doi: 10.48550/arXiv.2003.09003.
N. Aharon, R. Orfaig, and B.-Z. Bobrovsky, “BoT-SORT: Robust Associations Multi-Pedestrian Tracking,” arXiv: arXiv:2206.14651, July 07, 2022, doi: 10.48550/arXiv.2206.14651.
A. Wang et al., “YOLOv10: Real-Time End-to-End Object Detection,” arXiv: arXiv:2405.14458, Oct. 30, 2024, doi: 10.48550/arXiv.2405.14458.
A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft, “Simple Online and Realtime Tracking,” in 2016 IEEE International Conference on Image Processing (ICIP), Sept. 2016, pp. 3464-3468, doi: 10.1109/ICIP.2016.7533003.
R. E. Kalman, “A New Approach to Linear Filtering and Prediction Problems,” J. Basic Eng., vol. 82, no. 1, pp. 35-45, Mar. 1960, doi: 10.1115/1.3662552.
H. W. Kuhn, “The Hungarian method for the assignment problem,” Nav. Res. Logist. Q., vol. 2, no. 1-2, pp. 83-97, 1955, doi: 10.1002/nav.3800020109.
K. Bernardin and R. Stiefelhagen, “Evaluating Multiple Object Tracking Performance: The CLEAR MOT Metrics,” EURASIP J. Image Video Process., vol. 2008, no. 1, May 2008, doi: 10.1155/2008/246309.
