طراحی و ساخت سامانه ی ردیابی بلادرنگ اهداف متحرک مبتنی بر الگوریتم TLD با استفاده از سخت افزار رزبری پای

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 467

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MSTJ-23-91_002

تاریخ نمایه سازی: 6 خرداد 1399

چکیده مقاله:

TLD مخفف ردیابی، یادگیری و آشکارسازی است. همان طور که از نام آن پیداست، این ردیاب، کار ردیابی طولانی مدت را به سه جزء کوتاه مدت ردیابی، یادگیری و آشکارسازی، تجزیه می کند. ردیاب، شئ را به صورت فریم به فریم دنبال می کند. آشکارساز همه مواردی که تاکنون مشاهده شده اند را دسته بندی می کند و در صورت لزوم ردیاب را اصلاح می کند. بخش یادگیری، خطاهای آشکارساز را محاسبه کرده و آن را به روز می کند تا از بروز این اشتباهات در آینده جلوگیری شود. خروجی این ردیاب تمایل به حرکت در اطراف بسیار کمی دارد. به نظر می رسد این ردیاب بتواند یک شی در یک مقیاس، حرکت و انسداد بزرگتر را دنبال کند. اگر یک دنباله ویدئویی داشته باشیم که در آن شی مورد نظر در پشت یک شی دیگر پنهان باشد، این ردیاب می تواند انتخاب خوبی باشد. در این مقاله، ما در ابتدا به تشریح کامل این الگوریتم پرداختیم و سپس در سه آزمایش مجزا بر روی سکانس ها و دنباله فریم های معیار و ویدئوهای زنده از این الگوریتم با سخت افزار رزبری پای و زبان برنامه نویسی پایتون استفاده کردیم و نتایج را ارائه نمودیم. سپس با استفاده از الگوریتم TLD و مینی کامپیوتر تک بوردی رزبری پای و با کمک یک دوربین که به وسیله ی سرووموتورها قابلیت چرخش در سمت و ارتفاع را دارد، سامانه ای را طراحی کرده و ساخته ایم که به وسیله ی آن اهداف متحرک موجود در تصاویر زنده دریافتی از دوربین را به صورت بلادرنگ دنبال کنیم.

نویسندگان

حسن درویشی

دانشجوی کارشناسی ارشد رشته ی برق-مخابرات سیستم، دانشگاه آزاد اسلامی واحد سیرجان، سیرجان

مهران ابدالی

استادیار گروه برق، دانشگاه آزاد اسلامی واحد بافت، بافت

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Zdenek Kalal, Krystian Mikolajczyk, and Jiri TRANSACTIONS ON PATTERN ANALYSIS ...
  • O. Williams, A. Blake, and R. Cipolla, Sparse bayesian learning ...
  • M. Isard and A. Blake, CONDENSATION Conditional Density Propagation for ...
  • Y. Li, H. Ai, T. Yamashita, S. Lao, and M. ...
  • K. Okuma, A. Taleghani, N. de Freitas, J. J. Little, ...
  • B. Leibe, K. Schindler, and L. Van Gool, Coupled Detection ...
  • H. Grabner and H. Bischof, On-line boosting and vision, Conference ...
  • B. Babenko, M.-H. Yang, and S. Belongie, Visual Tracking with ...
  • H. Grabner, C. Leistner, and H. Bischof, Semi-Supervised On-line Boosting ...
  • F. Tang, S. Brennan, Q. Zhao, H. Tao, and U. ...
  • Q. Yu, T. B. Dinh, and G. Medioni, Online tracking ...
  • K. K. Sung and T. Poggio, Example-based learning for view-based ...
  • P. Viola and M. Jones, Rapid object detection using a ...
  • V. Lepetit and P. Fua, Keypoint recognition using randomized trees., ...
  • M. Ozuysal, P. Fua, and V. Lepetit, Fast Keypoint Recognition ...
  • M. Calonder, V. Lepetit, and P. Fua, BRIEF : Binary ...
  • J. Y. Bouguet, Pyramidal Implementation of the Lucas Kanade Feature ...
  • Z. Kalal, K. Mikolajczyk, and J. Matas, Forward-Backward Error: Automatic ...
  • Z. Kalal, J. Matas, and K. Mikolajczyk, Online learning of ...
  • نمایش کامل مراجع