ردیابی اشیا (Object Tracking) همواره یک موضوع پرچالش بوده است. در سالیان اخیر با رشد سیستمهای هوشمند و اینترنت اشیا، ردیابی تجهیزات از اهمیت بیشتری برخوردار گردیده است. حرکتهای ناگهانی اجسام، تغییر الگوهای رفتاری اشیا، تغییر ظاهری اشیا، انسداد های جسم به جسم، حرکت کند دوربین و … از مهمترین معضلات در ردیابی اشیا می باشند.
(توضیح آنکه هدف ما در این پست بررسی ردیابی اشیا توسط دوربین های تصویری میباشد).
آشنایی با مفهوم ردیابی اشیا
ردیابی اشیا یا همان object tracking از موضوعات مهم در زمینه بینایی ماشین (Machine Vision) و ردیابی ویدئو (Video Tracking) میباشد. با کمک این تکنولوژی میتوان به نظارت خودکار برروی تجهیزات پرداخت. در تعامل انسانها با اشیا هوشمند نیاز به یکسری موارد امنیتی هست. ردیابی تجهیزات به ارتقا امنیت کمک زیادی میکند.
امروزه از Object Tracking برای نظارت بر مسیریابی و استفاده از جریان دادهای برای مقاصد تجاری، بصورت گسترده استفاده میشود.
در ردیابی اشیا، هر جسمی (زنده یا بیجان) میتواند مورد رصد و ردیابی قرار گیرد. مثلا یک قایق در دریا، یک ماهی در آکواریوم، یک وسیله نقلیه در جاده، یک هواپیما در هوا، افراد حاضر در یک فروشگاه و …
کاربردهای ردیابی اشیا
از object tracking میتوان در کاربردهای زیر استفاده کرد:
- ردیابی تلفن همراه
- ردیابی خودرو
- ردیابی اشخاص(بیماران و افراد سالمند)
- ردیابی حیوانات خانگی
- ردیابی اشیا
- ردیابی کالاها(زنجیره تامین کالا)
ویژگیهای مهم در شناسایی اشیا
هر شی دارای یک تعداد ویژگی منحصربفرد میباشد. شناسایی این ویژگیها (features) برای ردیابی صحیح از اهمیت بسیار زیادی برخوردار است. در زیر لیستی از مهمترین ویژگیهای اشیا برای شناسایی را مشاهده میکنید:
- رنگ: در ردیابی معمولا از خواص RGB برای نشان دادن رنگ وسایل مختلف استفاده میشود، امآ در این زمینه یک چالش بزرگ وجود دارد و آن هم این است که RGB یک ادراک واحد از رنگها را نمیدهد. ردیابها معمولا رنگ اجسام را براساس دو عامل زیر شناسایی میکنند:
- قدرت طیف نوری
- بازتاب سطح
- مرزها: هر شی مرز مشخصی دارد. وجود حاشیههایی در اشیا باعث میشود تا شناسایی آنها مشکل شود و احتما وقوع خطا افزایش یابد.
- جریان نوری: هر شی دارای یک میزان تراکم از بردارهای جابهجایی میباشد.
- بافت اشیا: صاف یا برجسته بودن اشیا باعث میشود تا پردازشگرها برای توصیف اشیا دچار مشکل شوند.
ویژگیهای مهم دیگری نیز در شناسایی وجود دارد. معمولا الگوریتمهای شناسایی شی سعی میکنند با استفاده از فیلترهای مختلف میزان خطای خود را کاهش دهند.
مکانیزمهای شناسایی اشیا
هر روش ردیابی نیاز به یک مکانیزم مشخص برای شناسایی اشیا دارد. معمولا برای شناسایی تجهیزات با کمک تصاویر ویدئویی، از ترکیب فریمها با یکدیگر استفاده میشود. بدین شکل میزان تشخیصهای نادرست به حداقل خواهد رسید.
نظارت بر یادگیری
شناسایی اشیاء را میتوان با کمک الگوریتمهای یادگیری (Supervised Learning) بهبود داد. استفاده از نمونههای ثبت شده قبلی و تکمیل دانش باعث بهبود مکانیزم یادگیری میشود. کلاسبندی درست اطلاعات باعث بهبود شناساییها خواهد شد. طبقهبندی اشیا منجر به شناسایی سریعتر اشیا میشود.
آینده object tracking
درحالیکه در چند سال گذشته، پیشرفت قابل ملاحظهای در ردیابی اشیا با کمک تجهیزات مدرن تصویربرداری بوجود آمده است امّا همچنان مباحث کنتراست تصویر، تشخیص درست پسزمینهها، شعاع حرکتی، انسداد شی و … نظارت خودکار براشیا را مشکل کرده است.
در حال حاضر محققان به دنبال ارتقاء سیستمهای تشخیص خودکار با استفاده از حذف نویز، حذف دادههای نامرتبط، استفاده از تکنیکهای فشردهسازی و … هستند.
