In this thesis a follower detector objects in a video sequence is implemented. This implementation works in real time , and requires only a sample of the object of interest, provided by a mouse click and drag . The detector follower , is based on the algorithm of SURF ( speeded Up Robust Features) , due to the robustness posing for changes in brightness and possible transformations that an image is re ere , as are the scaling , shearing , rotational translation. The aim is to realize a follower detector in real time, given the speed with which the process operates to generate the feature vectors . Which are then required to apply the correspondence between the object of interest and any video sequence that hosts the object of interest . Once the points of interest, both of the sample image of the object, as the points in the video sequence , were generated correspondence search is implemented by neighbors. It can speed up the process by kd tree , however , a variety of methods that can affect performance. Final implementation. Finally, RANSAC algorithm is used to find the affine transformation , to demarcate the object of interest , to adapt to the deformation of the object. At the conclusion of this process, it was found that it is possible to track objects from a single sample, and although the object is rigid deformation monitoring. Similarly it was found that it is possible to return the object if it leaves the stage .
En el presente trabajo de tesis se implementa un seguidor, detector de objetos, en una secuencia de video. Esta implementación trabaja en tiempo real, y requiere sólo una muestra del objeto de interés, proporcionada por un click y arrastre de ratón. El seguidor detector, está basado en el algoritmo de SURF (Speeded Up Robust Features), debido a la robustez que presenta en cuanto a cambios de luminosidad y a las posibles transformaciones que a una imagen se re ere, como lo son: el escalamiento, cizallamiento, rotación traslación. La finalidad es poder concretar un seguidor, detector en tiempo real, dado la velocidad con que funciona el proceso para generar los vectores de características. Que posteriormente son necesarios para aplicar la correspondencia entre el objeto de interés y una secuencia de video cualquiera que aloje el objeto de interés. Una vez que se generaron los puntos de interés, tanto de la imagen de muestra del objeto, como los puntos en la secuencia de video, se implementa la búsqueda de la correspondencia mediante vecinos cercanos. Se puede acelerar el proceso mediante k-d tree, sin embargo, existe una diversidad de métodos que puede afectar el rendimiento. Final de la implementación. Finalmente se utiliza el algoritmo de RANSAC para buscar la transformación afín, que demarque el objeto de interés, para adecuarse a la deformación del objeto. Al concluir todo este proceso, se pudo constatar que es posible seguir objetos a partir de una sola muestra, y aunque el objeto tenga deformaciones rígidas en su seguimiento. De igual forma se constató que es posible retomar el objeto si sale de escena.
