Evaluación de una Propuesta de Reinicialización de Rastreadores en el Seguimiento de Objetos en Video

El seguimiento de objetos es una tarea esencial en diversas aplicaciones dentro del área de visión por computador, los cuales incluyen el desarrollo de sistemas de video vigilancia, sistemas robóticos, sistemas de navegación autónoma, sistemas de monitoreo del espacio aéreo, interfaces para la interacción humano-computador, sistemas de cirugías asistidas por computador, sistemas para el análisis de rendimiento en los deportes, sistemas de realidad aumentada, entre otros. Debido a su potencial uso en esta variedad de aplicaciones, la comunidad científica ha propuesto diferentes técnicas para el seguimiento de objetos, denominados rastreadores; no obstante, no existe un rastreador lo suficientemente robusto que realice esta tarea con una alta eficiencia en condiciones reales. Los rastreadores actuales dependen fuertemente de un modelo de apariencias para facilitar su operación. Sin embargo, en muchos casos las limitaciones de rendimiento de los rastreadores se deben a que estos operan con modelos de apariencia contaminados por la incorporación de información poco relacionada al objeto de interés. A la fecha, existen muy pocos estudios orientados a prevenir o detener la contaminación de dichos modelos; tampoco existen estudios realizados sobre la evaluación del impacto que estas alternativas podrían ejercer en el rendimiento de los rastreadores. Es por este motivo que en este trabajo proponemos evaluar el impacto que genera la reinicialización de los rastreadores (como método de prevención a la contaminación de los modelos de apariencia) sobre el rendimiento de operación de los mismos.

El seguimiento de objetos es una tarea dentro de la visión por computador que se ocupa de estimar los estados de un objeto de interés sobre los fotogramas de un video cualquiera. Por lo general, el estado describe propiedades asociadas al objeto, como la posición y el área de extensión que este ocupa en un fotograma determinado (Forsyth y Ponce, 2011).
En la actualidad, se han propuesto una gran variedad de algoritmos computacionales para realizar esta tarea, entre los que sobresalen los que emplean el aprendizaje en línea, característica que les permite adaptarse a los cambios del objeto en el tiempo, y a los que nos referiremos en adelante solo como rastreadores.
Para realizar la estimación de los estados, un rastreador, por lo general, crea un modelo de apariencias del objeto al inicio del seguimiento y lo actualiza durante su operación con la intención de representar los posibles aspectos que el objeto podría asumir en el tiempo (Yang et al., 2011); originándose así una fuerte dependencia entre el rendimiento del rastreador y la calidad de su modelo de apariencias que concentra información del objeto.
En condiciones reales, el modelo de apariencias puede contaminarse con información disociada del objeto a causa de factores intrínsecos y extrínsecos al rastreador, que ocurren durante el seguimiento e impactan negativamente en su rendimiento (Smeulders et al., 2014; Wu et al., 2015). No obstante, la mayoría de los rastreadores son diseñados para operar a pesar de los niveles de contaminación en sus modelos de apariencias.
Existen muy pocos estudios que se enfocan en reestablecer estos modelos una vez que se superen ciertos niveles de contaminación, los cuales se pueden evaluar a través de la confiablidad de sus estimaciones; proceso que será motivo de nuestro estudio y que proponemos denominar “reinicialización de rastreadores”.