vdgtuВестник Дагестанского государственного технического университета. Технические наукиHerald of Dagestan State Technical University. Technical Sciences2073-61852542-095XDaghestan State Technical University10.21822/2073-6185-2024-51-3-103-109vdgtu-1560Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGY AND TELECOMMUNICATIONSКачество методов трекинга с реидентификацией объектовQuality of tracking methods with object reidentificationМальцеваН. А.MaltcevaN. A.

Мальцева Наталья Анатольевна, инженер 

620014, г. Екатеринбург, ул. Мира 19 

Natalya A. Maltceva, Engineer 

19 Mira St., Ekaterinburg 620014 

Natalia.maltseva.susu@gmail.comПолозовА. А.PolozovA. A.

Полозов Андрей Анатольевич, доктор педагогических наук, профессор кафедры информационных технологий и систем управления

620014, г. Екатеринбург, ул. Мира 19 

Andrey A. Polozov, Dr. Sci. (Pedagogical), Prof., Department of Information Technologies and Control Systems 

19 Mira St., Ekaterinburg 620014 

a.a.polozov@mail.ruhttps://orcid.org/0000-0001-7407-1491ПапуловскаяН. В.PapulovskayaN. V.

Папуловская Наталья Владимировна, кандидат педагогических наук, доцент кафедры информационных технологий и систем управления

620014, г. Екатеринбург, ул. Мира 19 

Natalya V. Papulovskaya; Cand. Sci. (Pedagogical); Assoc. Prof., Department of Information Technologies and Control Systems 

19 Mira St., Ekaterinburg 620014 

n.v.papulovskaia@urfu.ruГольдштейнС. Л.GoldshteinS. L.

Гольдштейн Сергей Людвигович, доктор технических наук, профессор, профессор кафедры технической физики 

620014, г. Екатеринбург, ул. Мира 19 

Sergey L. Goldshtein, Dr. Sci. (Eng), Prof., Prof., Department of Technical Physics 

19 Mira St., Ekaterinburg 620014 

s.l.goldshtein@urfu.ruУральский федеральный университетРоссияUral Federal UniversityRussian Federation202402102024513103109Copyright © Мальцева Н.А., Полозов А.А., Папуловская Н.В., Гольдштейн С.Л., 20242024Мальцева Н.А., Полозов А.А., Папуловская Н.В., Гольдштейн С.Л.Maltceva N.A., Polozov A.A., Papulovskaya N.V., Goldshtein S.L.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.dgtu.ru/jour/article/view/1560

Цель. В настоящей работе представлены исследования алгоритмов отслеживания объектов для анализа спортивных соревнований с минимально допустимым количеством кадров в секунду без критической потери качества систем эксплуатации. Цель исследования заключается в определении оптимального метода отслеживания и модели реидентификации при увеличении интервала времени между кадрами. Метод. В ходе исследования использовали датасеты Re-Identification MSMT17, Market1501, DukeMTMC-reID; специализированные нейронные сети OsNet, ResNet и MobileNet. Алгоритмы трекинга BotSort, Bytetrack, OcSort, DeepOcSort, StrongSort. Применяли метрику качества NOTA и IDF1. Результат. Показатели метрик проведенных экспериментов в целом достаточно низкие, что связано с нелинейностью передвижения спортсменов в отличии от движения пешеходов и большим количеством изменений их позы. Вывод. В зависимости от степени сжатия информации оптимальными методами отслеживания, при использовании предобученных моделей реидентификации, являются ByteTrack и OcSort.

Objective. This paper presents a study of object tracking algorithms for analyzing sports competitions with a minimum permissible number of frames per second without critical loss of quality of operational systems. The purpose of the study is to determine the optimal tracking method and reidentification model with an increase in the time interval between frames. Method. The study used the Re-Identification MSMT17, Market1501, DukeMTMCreID datasets; specialized neural networks OsNet, ResNet and MobileNet. Tracking algorithms BotSort, Bytetrack, OcSort, DeepOcSort, StrongSort. The NOTA and IDF1 quality metrics were used. Result. The metrics of the experiments are generally quite low, which is due to the nonlinearity of athletes' movement, unlike pedestrians' movement, and a large number of changes in their posture. Conclusion. Depending on the degree of information compression, the optimal tracking methods when using pre-trained reidentification models are ByteTrack and OcSort.

анализдатасетыпоказатели FPSреидентификациятрекингanalysisdatasetsFPS indicatorsreidentificationtrackingReferencesH. Masson, A. Bhuiyan, L. Th. Nguyen-Meidine, M. Javan, P. Siva, I. B. Ayed, E. Granger, «Использование Prunability для повторной идентификации личности», 2021, arXiv:1907.02547.H. Masson, A. Bhuiyan, L. Th. Nguyen-Meidine, M. Javan, P. Siva, I. B. Ayed, E. Granger, “Exploiting Prunability for Person Re-Identification”, 2021; arXiv:1907.02547.L. Wu, Y. Wang, J. Gao, D. Tao, «Глубокие компараторы на основе совместного внимания для обучения относительному представлению при повторной идентификации личности», 2018, arXiv:1804.11027.L. Wu, Y. Wang, J. Gao, D. Tao, “Deep Co-attention based Comparators For Relative Representation Learning in Person Re-identification”, 2018; arXiv:1804.11027.L. Wei, S. Zhang, W. Gao, Qi Tian, «GAN для переноса личности в мост доменного разрыва для повторной идентификации личности», 2018, arXiv:1711.08565.L. Wei, S. Zhang, W. Gao, Qi Tian, “Person Transfer GAN to Bridge Domain Gap for Person Re-Identification”, 2018; arXiv:1711.08565.E. Ristani, F. SoleraRoger, Z. Cucchiara и C. Tomasi, «Показатели производительности и набор данных для многоцелевого многокамерного отслеживания», в ECCV Workshop on Benchmarking MultiTarget Tracking, 2016, стр. 17–35.E. Ristani, F. SoleraRoger, Z. Cucchiara, and C. Tomasi, “Performance measures and a data set for multitarget, multi-camera tracking,”in ECCV Workshop on Benchmarking Multi-Target Tracking, 2016;17 – 35.K. Zhou, Y. Yang, A. Cavallaro, T. Xiang, «Изучение обобщенных многомасштабных представлений для повторной идентификации личности», 2021, arXiv:1910.06827.K. Zhou, Y. Yang, A. Cavallaro, T. Xiang, “Learning Generalisable Omni-Scale Representations for Person Re-Identification”, 2021; arXiv:1910.06827.L. Zheng, S. Wang, L. Shen, L. Tian, J. Bu, Q. Tian, «Повторная идентификация личности встречается с поиском изображений», 2015, arXiv:1502.02171.L. Zheng, S. Wang, L. Shen, L. Tian, J. Bu, Q. Tian, “Person Re-identification Meets Image Search”, 2015; arXiv:1502.02171.W. Li, R. Zhao, T. Xiao, X.G. Wang, «DeepReID: Глубокая фильтрация парных нейронных сетей для повторной идентификации личности», 2014, DOI:10.1109/CVPR.2014.27.W. Li, R. Zhao,T. Xiao, X.G. Wang, ”DeepReID: Deep Filter Pairing Neural Network for Person Re-Identification”, 2014, DOI:10.1109/CVPR.2014.27.K. He, X. Zhang, Shaoqing Ren, Jian Sun, «Глубокое остаточное обучение для распознавания изображений», 2015, arXiv:1512.03385.K. He, X. Zhang, Shaoqing Ren, Jian Sun, “Deep Residual Learning for Image Recognition”, 2015; arXiv:1512.03385.M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, L.-C. Chen, «MobileNetV2: инвертированные остатки и линейные узкие места», 2018, arXiv:1801.04381.M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks”, 2018; arXiv:1801.04381.K. Zhou, T. Xiang, «Torchreid: библиотека для глубокого обучения повторной идентификации человека в Pytorch», 2019, arXiv:1910.10093.K. Zhou, T. Xiang, “Torchreid: A Library for Deep Learning Person Re-Identification in Pytorch”, 2019; arXiv:1910.10093.N. Aharon, R. Orfaig, B.-Z. Bobrovsky, «BoT-SORT: надежные ассоциации отслеживания нескольких пешеходов», 2022, arXiv:2206.14651.N. Aharon, R. Orfaig, B.-Z. Bobrovsky, “BoT-SORT: Robust Associations Multi-Pedestrian Tracking”, 2022; arXiv:2206.14651.Y. Zhang, P. Sun, Y. Jiang, D. Yu, F. Weng, Z. Yuan, P. Luo, W. Liu, X. Wang. «ByteTrack: отслеживание нескольких объектов путем связывания каждого поля обнаружения», 2022, arXiv:2110.06864v3.Y. Zhang, P. Sun, Y. Jiang, D. Yu, F. Weng, Z. Yuan, P. Luo, W. Liu, X. Wang. “ByteTrack: Multi-Object Tracking by Associating Every Detection Box”, 2022; arXiv:2110.06864v3.J. Cao, J. Pang, X. Weng, R. Khirodkar, K. Kitani, «SORT, ориентированная на наблюдение: переосмысление SORT для надежного отслеживания нескольких объектов», 2023, arXiv:2203.14360J. Cao, J. Pang, X. Weng, R. Khirodkar, K. Kitani, “Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking”, 2023; arXiv:2203.14360N. Wojke, A. Bewley, D. Paulus, «Простое отслеживание в режиме онлайн и в реальном времени с глубокой метрикой ассоциации», ICIP. IEEE, 2017, стр. 3645–3649.N. Wojke, A. Bewley, D. Paulus, “Simple online and realtime tracking with a deep association metric”, ICIP. IEEE, 2017;3645 – 3649.G.Maggiolino, A. Ahmad, J. Cao, K. Kitani, «Deep OC-SORT: отслеживание нескольких пешеходов с помощью адаптивной повторной идентификации», 2023, arXiv:2302.11813v1G.Maggiolino, A. Ahmad, J. Cao, K. Kitani, “Deep OC-SORT: Multi-Pedestrian Tracking by Adaptive Re-Identification”, 2023; arXiv:2302.11813v1Y.Du, Z.Zhao, Y.Song, Y.Zhao, F.Su, T.Gong, H. Meng, «StrongSORT: снова делаем DeepSORT великим», 2023, arXiv:2202.13514v2Y.Du, Z.Zhao, Y.Song, Y.Zhao, F.Su, T.Gong, H. Meng, “StrongSORT: Make DeepSORT Great Again”, 2023; arXiv:2202.13514v2J. Luiten, A.Osep, P, Dendorfer, P. Torr, A. Geiger, L. Leal-Taixe, B. Leibe1, «HOTA: высший порядок Метрика для оценки отслеживания нескольких объектов. International Journal of Computer Vision”, International Journal of Computer Vision, стр. 548–578, 2021.J. Luiten, A.Osep, P, Dendorfer, · P. Torr, · A. Geiger, · L. Leal-Taixe, · B. Leibe1, “HOTA: A Higher Order Metric for Evaluating Multi-object Tracking. International Journal of Computer Vision”, International Journal of Computer Vision, 2021; 548 – 578.

The authors declare that there are no conflicts of interest present.