การติดตามเป้าหมายพรางตัวโดยใช้การผสานกล้องถ่ายภาพความร้อนและกล้องภาพสีจริง
คำสำคัญ:
การประมวลผลภาพ, วัตถุซ่อนพราง, ระบบติดตามวัตถุ, อากาศยานไร้คนขับบทคัดย่อ
งานวิจัยนี้นำเสนอการพัฒนาอัลกอริทึมสำหรับการติดตามวัตถุที่พรางตัว ด้วยการบินทดสอบติดตามเป้าหมายด้วยอากาศยานไร้คนขับ โดยใช้การผสานข้อมูลจากกล้องภาพสีจริง (RGB) และกล้องถ่ายภาพความร้อน (thermal) ที่ติดตั้งบนอากาศยานไร้คนขับเพื่อเพิ่มประสิทธิภาพในการติดตามเป้าหมายที่มีลักษณะซับซ้อนและกลมกลืนกับสภาพแวดล้อม การใช้กล้อง RGB ช่วยให้ได้รายละเอียดเชิงพื้นที่ที่ชัดเจน ขณะที่กล้องถ่ายภาพความร้อนสามารถตรวจจับการแผ่รังสีความร้อนของวัตถุ ซึ่งมีประโยชน์ในสภาพแวดล้อมที่มีแสงน้อยหรือเมื่อวัตถุพรางตัว โดยทำการบันทึกและส่งภาพวิดีโอแบบเรียลไทม์จากกล้องทั้ง 2 ชนิดไปยังสถานีควบคุมภาคพื้นดิน (ground control station) เพื่อให้ผู้ควบคุมสามารถติดตาม และวิเคราะห์ข้อมูลจากระยะไกลได้ โดยงานวิจัยนี้ได้เลือกใช้อัลกอริทึมที่มีพัฒนาการผสานข้อมูลจากทั้งสองแหล่งให้มีความแม่นยำในการติดตามมากขึ้น โดยการใช้อัลกอริทึมในการติดตามเป้าหมาย 4 แบบ คือ Boosting CSR-DCF KCF และ MOSSE ผลการทดลองชี้ให้เห็นว่าอัลกอริทึม Boosting สามารถระบุตำแหน่งวัตถุได้แม่นยำที่สุด โดยผลการประเมินประสิทธิภาพแสดงให้เห็นว่าค่า Mean Center Location Error: mCLE ต่ำที่สุดมีค่าเท่ากับ 43.46 และค่า AUC Score สูงสุดเท่ากับ 0.154 นอกจากนี้ ค่า Distance Precision: DP เท่ากับ 0.1085 และ Overlap Precision: OP เท่ากับ 0.0651 ซึ่งมีความแม่นยำที่สูงขึ้นด้วยเช่นกัน ซึ่งแสดงให้เห็นถึงความสามารถในการติดตามวัตถุได้อย่างมีประสิทธิภาพและสม่ำเสมอในการติดตามวัตถุที่พรางตัวในสภาพแวดล้อมที่ยากต่อการมองเห็น
เอกสารอ้างอิง
Asha, C. S., & Narasimhadhan, A. V. (2016). Adaptive learning rate for visual tracking using correlation filters. Procedia Computer Science, 89, 614-622. https://doi.org/10.1016/j.procs.2016.06.023
Bamrungthai, P., & Wongkamchang, P. (2018). Development of a thermal/visible image fusion system for situation awareness. In 2018 5th International Conference on Advanced Informatics: Concept Theory and Applications (ICAICTA) (pp. 96-100). Krabi: IEEE.
Bolme, D. S., Beveridge, J. R., Draper, B. A., & Lui, Y. M. (2010). Visual object tracking using adaptive correlation filters. In 2010 IEEE computer society conference on computer vision and pattern recognition (pp. 2544-2550). San Francisco: IEEE.
Chotsisuparat, N. (2020). The numerical studies of the modified van der pol equation in electrical circuits (Master’s thesis). Srinakharinwirot University. Bangkok. (in Thai)
Christen, P., Hand, D. J., & Kirielle, N. (2023). A review of the F-measure: its history, properties, criticism, and alternatives. ACM Computing Surveys, 56(3), 1-24. Retrieved from https://bit.ly/4m25kQU
Grabner, H., & Bischof, H. (2006). On-line boosting and vision. In 2006 IEEE computer society conference on computer vision and pattern recognition (CVPR’06) (pp. 260-267). New York: IEEE.
Grabner, H., Grabner, M., & Bischof, H. (2006). Real-time tracking via on-line boosting. In Proceedings of the British Machine Vision Conference (p. 6.1-6.10). Edinburgh: BMVA Press
Henriques, J. F., Caseiro, R., Martins, P., & Batista, J. (2015). High-speed tracking with kernelized correlation filters. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37(3), 583-596. https://doi.org/10.1109/TPAMI.2014.2345390
Kalal, Z., Matas, J., & Mikolajczyk, K. (2012). Tracking-learning-detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(7), 1409–1422. https://doi.org/10.1109/TPAMI.2011.239
Kowalski, M. Ł., Pałka, N., Młyńczak, J., Karol, M., Czerwińska, E., Życzkowski, M., Ciurapiński, W., Zawadzki, Z., & Brawata, S. (2021). Detection of inflatable boats and people in thermal infrared with deep learning methods. Sensors, 21(16), 5330. https://doi.org/10.3390/s21165330
Kristan, M., Matas, J., Leonardis, A., Felsberg, M., Cehovin, L., Fernandez, G., & Pflugfelder, R. (2015). The visual object tracking vot2015 challenge results. In Proceedings of the IEEE International Conference on Computer Vision Workshops. Santiago: IEEE
Lukežič, A., Vojíř, T., Čehovin, L., Matas, J., & Kristan, M. (2018). Discriminative correlation filter tracker with channel and spatial reliability. International Journal of Computer Vision (IJCV), 126, 671–688. https://doi.org/10.48550/arXiv.1611.08461
Mangale, S., & Khambete, M. (2016). Camouflaged target detection and tracking using thermal infrared and visible spectrum imaging. In Intelligent Systems Technologies and Applications 2016 (pp. 193-207). Cham: Springer International Publishing.
Shen, Y., Li, J., Lin, W., Chen, L., Huang, F., & Wang, S. (2021). Camouflaged target detection based on snapshot multispectral imaging. Remote Sensing, 13(19), 3949. https://doi.org/10.3390/rs13193949
Shopovska, I., Jovanov, L., & Philips, W. (2019). Deep visible and thermal image fusion for enhanced pedestrian visibility. Sensors, 19(17), 3727. https://doi.org/10.3390/s19173727
Wu, Y., Lim, J., & Yang, M. H. (2013). Online object tracking: A benchmark. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 2411-2418). Portland: IEEE
Zhang, J., Yang, G., Liu, A., & Chen, X. (2023, November). A Data Augmentation Method Based on Multi-Modal Image Fusion for Detection and Segmentation. In 2023 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD) (pp. 1-5). Xi’an: IEEE.
Zhang, Y., Wang, T., Liu, K., Zhang, B., & Chen, L. (2021). Recent advances of single-object tracking methods: A brief survey. Neurocomputing, 455, 1-11. https://doi.org/10.1016/j.neucom.2021.05.011
Mangale, S., & Khambete, M. (2016). Camouflaged target detection and tracking using thermal infrared and visible spectrum imaging. In: J. Corchado Rodriguez, S. Mitra, S. Thampi, & ES. El-Alfy, (Eds), Intelligent Systems Technologies and Applications 2016. ISTA 2016. Advances in Intelligent Systems and Computing, vol 530 (pp 193–207). Cham: Springer.
Yang Liu, Cong-Qing Wang, Bin Xu, and Yong-Jun Zhou (2023). Aerial tracking of camouflaged people in woodlands, Journal of Electronic Imaging, 32(6), 063018. https://doi.org/10.1117/1.JEI.32.6.063018
