基于红外油墨标记的舞台演员跟踪算法OA北大核心

随着深度学习技术的不断成熟,基于深度学习的多目标跟踪研究取得了巨大进展。在良好光照条件下,现有基于深度学习的多目标跟踪算法能实现实时、稳定跟踪。然而,在极限光照与遮挡严重的舞台演出环境中,对舞台演员的稳定跟踪仍然面临巨大挑战。舞台演出存在演员表观相似、光照变化剧烈、遮挡频繁等问题,直接使用现有跟踪算法因演员身份切换频繁,导致基于演员跟踪的下游工作,如演员动作识别、虚实投影等无法有效开展。为此,提出了一种基于近红外油墨的舞台演员跟踪算法。由于舞台光源能量谱集中在可见光波段,红外光环境较干净,因此,在红外波段设计了一种抗遮挡、隐形的(可见光下不可见)油墨标记,以增强演员表观辨识度,即将红外油墨以二值环形码方式添加在演员服饰上,将环形码对应的类别标签作为关联演员ID,实现对舞台演员的稳定跟踪。在仿真与真实的标记数据集上的实验结果表明,基于红外油墨的二值环形码在60%的遮挡率下仍能达到90%以上的识别准确率,具有很好的抗遮挡性能。演员跟踪实验结果表明,基于交集比指标的帧内数据关联算法能提升ID跟踪轨迹的稳定性,将其应用于现有跟踪模型,ID的召回率和准确率均得到了较大提升。在不影响舞台演出与观演体验的前提下,解决了舞台暗光、演员表观相似导致的跟踪不稳定问题,且算法成本低、可行性高,在舞台演艺行业具有广泛的应用前景。