Ukrainian Journal of Physical Optics 
Home page
 
 

Other articles 

in this issue
Studies on the key methods for compressive ghost-image tracking based on background subtraction

1Zhang Leihong, 1Kang Yi, 1Li Bei, 1Zhan Wenjie, 1Zhang Dawei and 2Ma Xiuhua

1University of Shanghai for Science and Technology, Shanghai, China, 200093
2Shanghai Institute of Optics and Fine Mechanics, CAS, Shanghai, China, 201800 

Download this article

Abstract. Abstract. Efficient object tracking represents a technology important for many vision applications. It is known that ghost imaging (GI) has a great potential if compared with a standard imaging and solves many problems in case if the common object tracking cannot be carried out. Here we show how the techniques of compressive GI and background subtraction can achieve object tracking. First, object information is captured with the GI. A characteristic measured for an object is obtained by subtracting background in the compressed domain. This characteristic uses compressive sensing to reconstruct the object image. Then the object image is projection-positioned to obtain the corresponding centroid coordinates. At last, the object trajectory is recovered with a polynomial fit, thus providing successful object tracking. Our simulation experiments suggest that the technique can track objects accurately under condition of low sampling ratios. Moreover, it decreases drastically the number of measurements needed for reconstruction and improves the tracking efficiency.

Keywords: object tracking, compressive sensing, ghost imaging, background subtraction

PACS: 42.30.Wb
UDC: 004.932.1
Ukr. J. Phys. Opt. 18 143-155
doi: 10.3116/16091833/18/3/143/2017
Received: 13.02.2017

Анотація. Ефективне відстеження об’єктів – це технологія, важлива для багатьох практичних застосувань комп’ютерного зору. Відомо, що підхід «зображення з примарами» (ПЗ) має значний потенціал, порівняно зі стандартним відстеженням об’єктів, і вирішує багато проблем у разі, якщо традиційне відстеження об’єкта неможливе. У цій праці ми показуємо, як можна відстежувати об’єкти за методами стиснення ПЗ і вилучення фону. Спочатку фіксують інформацію про об’єкт за допомогою ПЗ. Характеристику, виміряну для об’єкта, одержують вилученням фону в стиснутій області. Ця характеристика використовує стиснене впізнавання для реконструкції зображення об’єкта. Далі зображення об’єкта проекційно позиціонують так, щоб отримати відповідні координати центроїда. Нарешті, траєкторію об’єкта відновлюють за допомогою поліноміальної апроксимації, що забезпечує успішне відстеження об’єкта. Наші експерименти засвідчують, що ця методика здатна точно відстежувати об’єкти за умови низьких коефіцієнтів вибірки. Крім того, вона різко зменшує кількість вимірювань, потрібних для відновлення зображення, і покращує ефективність відстеження.
 
REFERENCES
  1. Kajiki J, Ochi M, Ikeya T and Shite K, 2015. Moving object tracking apparatus, and moving object tracking method. Astronomy & Astrophys. 327: 90–106.
  2. He Z, Yi S, Cheung Y M, You X and Tang Y Y, 2017. Robust object tracking via key patch sparse representation. IEEE Trans. Cybernetics. 47: 354–364.
  3. Shen Y, Hu W, Yang M, Liu J, Wei B, Lucey S and Chou C T, 2016. Real-time and robust compressive background subtraction for embedded camera networks. IEEE Trans. Mobile Comuting. 15: 406–418. doi:10.1109/TMC.2015.2418775
  4. Sun T, Xing F, Wang X, Li J, Wei M and You Z, 2016. Effective star tracking method based on optical flow analysis for star trackers. Appl. Opt. 55: 10335–10340. doi:10.1364/AO.55.010335
  5. Han G, Wang J and Xi C, 2016. Background subtraction based on three-dimensional discrete wavelet transform. Sensors. 16: 456. doi:10.3390/s16040456
  6. Chi-Man Pun, Caiping Yan, Xiao-Chen Yuan, 2017. Image alignment based on multi-region matching for object-level tampering detection. IEEE Transactions on Information Forensics and Security, 12: 377 – 391. doi:10.1109/TIFS.2016.2615272
  7. Prabhakar N, Vaithiyanathan V, Sharma A P and Singh A, 2012. Object tracking using frame differencing and template matching. Res. J. Appl. Sci. Eng. & Technol. 4: 5497–5501.
  8. Shi H, Zhu H, Wang J, Yu S Y, Fu Z F, 2016. Segment-based adaptive window and multi-feature fusion for stereo matching. J. Algorithms & Comput. Technol. 10: 184–200. doi:10.1177/1748301815618299
  9. Yasukawa S, Okuno H, Ishii K and Yagi T, 2016. Real-time object tracking based on scale-invariant features employing bio-inspired hardware. Neural Networks. 81: 29–38. doi:10.1016/j.neunet.2016.05.002
  10. Donoho D L, 2006. Compressed sensing. IEEE Trans. Information Theory. 52: 1289–1306. doi:10.1109/TIT.2006.871582
  11. Leihong Z, Bei L, Dong Land Xiuhua M, 2016. Study on the key technology of spectral reflectance reconstruction based on the weighted measurement matrix. Laser Phys. 26: 075202. doi:10.1088/1054-660X/26/7/075202
  12. Zhang L, Liang D, Zhang D, Gao X and Ma X, 2016. Study of spectral reflectance reconstruction based on an algorithm for improved orthogonal matching pursuit. MRS Adv. 20: 515–523.
  13. Leihong Z, Dong L, Bei L, Yi K, Zilan P, Dawei Z and Xiuhua Ma, 2016. The study of key technology on spectral reflectance reconstruction based on the algorithm of adaptive compressive sensing. Laser Phys. 26: 045201. doi:10.1088/1054-660X/26/4/045201
  14. Zhu J, Ma Y, Qin Q and Zheng C, 2014. Adaptive weighted real-time compressive tracking. IET Computer Vision. 8: 740–752. doi:10.1049/iet-cvi.2013.0255
  15. Yu W K, Yao X R, Liu X F, Li L Z and Zhai G J, 2015. Compressive moving target tracking with thermal light based on complementary sampling. Appl. Opt. 54: 4249–4254. doi:10.1364/AO.54.004249
  16. Gatti A, Brambilla E, Bache M and Lugiato L A, 2004. Ghost imaging with thermal light: comparing entanglement and classical correlation. Phys. Rev. Lett. 93: 093602. doi:10.1103/PhysRevLett.93.093602
  17. Magana-Loaiza O S, Howland G A, Malik M and Howell J C, 2013. Compressive object tracking using entangled photons. Appl. Phys. Lett. 102: 231104-4. doi:10.1063/1.4809836
  18. Zhe Yang, Omar S. Magana-Loaiza, Mohammad Mirhosseini, Yiyu Zhou, Boshen Gao, Lu Gao, Seyed Mohammad Hashemi Rafsanjani, Guilu Long, Robert W. Boyd, 2016. Digital spiral object identification using random light. Preprint. arXiv:1609.08741.
  19. Morais A P, Cardoso G, Mariotto L and Ferreira G D, 2011. Numerical distance relaying algorithm based on mathematical morphology and least-squares Ccurve fitting method. Electric Power Syst. Res. 81: 1144–1150. doi:10.1016/j.epsr.2011.01.003
(c) Ukrainian Journal of Physical Optics