Online detektor bodů zájmu

Abstract

Tato práce se věnuje problematice online učení detektoru při dlouhodobém sledování objektu ve videosekvenci. Tento objekt je definován pomocí ohraničujícího obdelníku. V práci jsou popsány jednotlivé části detektoru: sledování objektu, detekce objektu a online učení detektoru. Hlavním přínosem práce je rozšíření programu OpenTLD o paralelní detekci a sledování více objektů současně. Paralelizace je pak porovnána na několika praktických příkladech a je porovnán vliv procesoru při detekci. Nejlepších výsledků bylo dosaženo při paralelizaci s detekováním všech objektů. Nejpřesnější detekce byla v případě dostatečně naučených objektů při nejmenší změně podoby.This thesis focuses on online learning detector for long-term tracking of object in video sequence. The object is defined by a bounding box. The text describes different parts of the detector: object tracking, object detection and online learning detector. The main contribution of this work is creating extension of the OpenTLD program for parallel detection and tracking of multiple objects. The parallelization is then compared on two practical examples and the processor's impact on detection is compared. The best results were achieved with parallelization, where all objects were detected. The most accurate detection was in the case of sufficiently learned objects with the smallest shape change.