Данная работа посвящена анализу нескольких алгоритмов сопровождения группы объектов и их сравнение. Предмет исследования – объекты, полученные при помощи аэрофотосъемки с камер, установленных на летательном аппарате. После обзора существующих методов обнаружения была выбрана оптимальная с точки зрения скорости и точности нейронная сеть YOLOv4-tiny. По результатам обзора различных методов сопровождения для сравнения были выбраны три алгоритма: метод на основе индекса Жаккара, SORT, DeepSORT. Обработку случаев пропущенных результатов обнаружения было решено выполнять с помощью фильтра Калмана, входящего в структуру SORT и DeepSORT, и дополнительного бинарного классификатора. Для сравнения использовались наиболее распространенные для отслеживания метрики оценки скорости и точности. Метод на основе индекса Жаккара ожидаемо является самым быстрым, но уступает в точности другим и характеризуется большим числом переключений идентификатора. Алгоритм DeepSORT использует дескриптор внешнего вида, извлекаемый отдельной сверточной сетью, что повышает точность по сравнению с SORT и уменьшает число переключений идентификатора, но в то же время замедляет работу выполнения программы, и в связи с тем, что алго-ритм использует нейронную сеть, время обработки быстро растет с увеличением числа объектов. Все рассмотренные алгоритмы могут выполняться в режиме реального времени, а значит, они могут использоваться при отслеживании объектов на последовательности аэрофотоснимков, однако наибольшую точности показывает DeepSORT.

This work is devoted to the analysis of several algorithms for tracking a group of objects and their comparison. The subject of research is objects obtained using aerial photography from cameras installed on an aircraft. After reviewing the existing detection methods, the YOLOv4-tiny neural network, optimal in terms of speed and accuracy, was chosen. Based on the results of a review of various tracking methods, three algorithms were selected for comparison: the method based on the Jaccard index, SORT algorithm, and DeepSORT algorithm. I decided to process the cases of missed detection results using the Kalman filter included in the SORT and DeepSORT structures and an additional binary classifier. For comparison, we used the most common tracking metrics for assessing speed and accuracy. The method based on the Jaccard index is, as expected, the fastest, but it is inferior in accuracy to others and is characterized by many identifier switches. The DeepSORT algorithm uses an appearance descriptor retrieved by a separate convolutional network, which improves accuracy compared to SORT and reduces the number of ID switches, but at the same time slows down the execution of the program, and since the algorithm uses a neural network, the processing time is fast grows with an increase in the number of objects. All the considered algorithms can work in real time, which means that the algorithms can be used to track objects in a sequence of aerial photographs, however, DeepSORT shows the highest accuracy.