Rodrigo da Silva Moreira
Resumo
Neste trabalho foi desenvolvido um sistema de rastreamento de veículos marítimos em vídeo, uma tarefa importante para os navios de guerra. Os navios de guerra possuem um sistema de controle tático responsável pela vigilância do mar. Após detectar e classificar um veículo marítimo como hostil, o sistema de combate é acionado. Sensores optrônicos, auxiliares do radar, capturam imagens do cenário tático e podem ser acionados para engajar um alvo. Diferentes técnicas para o rastreamento de veículos marítimos foram estudadas e comparadas. O rastreador de veículos marítimos desenvolvido é baseado na rede neural sem peso WiSARD, adaptativo, preciso e executado a 17 quadros por segundo. Diferentes pixels quantizados de cada quadro do vídeo são utilizados para treinar os discriminadores das redes WiSARD pertencentes aos classificadores fracos. Um comitê composto por 10 classificadores fracos define a posição do veículo como a posição onde a reposta é maior. Diferentes características, técnicas de rastreamento e métodos de quantização foram avaliados. A rede WiSARD é uma ferramenta de inteligência computacional pouco difundida, que pode ser treinada rapidamente e que não é empregada para o rastreamento de objetos, motivando o seu estudo. A validação do rastreador foi efetuada através de medidas quantitativas que avaliam a qualidade do algoritmo de rastreamento em vídeos reais e da comparação com outras abordagens existentes.
Abstract
This work presents a maritime vessel tracking system, an important war ship component. The war ships have a tactical control system for sea surveillance. After detecting and classifying a ship as hostile, the combat system is activated. Optronic sensors work togeter with the radar sensors. They capture images from the tactical scenario and can be used to track a target. Different tracking algorithms were studied and compared. The developed tracker is based on the WiSARD weightless neural network, is adapted online, has a high precision and is executed at 17 frames per second. Quantized pixels from different places of the frame are used to train the weak classifiers discriminators. An ensemble constructed with 10 weak classifiers disposed in sequence decides where is the tracked vehicle at each frame. The position is the one that the ensemble response is higher. A lot of features, algorithms to track the vehicle and quantization methods were tested. The WiSARD weightless neural network is a computational intelligence tool that is not well known, has a fast training algorithm and is not used to track objects, motivating this research. The tracker was validated by quantitative measures and compared to other approaches using real videos.
