مرور روشهای جابجایی میانگین، فیلتر ذرات، فیلتر کالمن و روشهای بهینه سازی ابتکاری در ردیابی شی

بینایی ماشین با ترکیب روش های مربوط به پردازش تصویر و ابزارهای یادگیری ماشینی، رایانه را قادر به درک هوشمند معنا و محتوای تصاویر میکند. ردیابی شی یک عمل اساسی برای بسیاری از کاربردهای سطح بالای بینایی ماشین مانند بازشناسی براساس حرکت، نظارت خودکار، نمایه گذاری فایلهای ویدیویی، ارتباطات متقابل انسان و رایانه، نظارت ترافیکی و هدایت وسایل نقلیه است که امروزه در بالاترین سطح توجه خود قرار دارد. به طور کلی اشیا در ویدیو میتواند به صورت ردیابی مبتنی بر تشخیص و یا ردیابی مبتنی بر حرکت ردیابی شوند. روش مبتنی بر تشخیص، مانند روش جابجایی میانگین، در اطراف منطقه قبلی هدف در فریم فعلی به دنبال ویژگیها از هدف میگردد. ولی روش های مبتنی بر حرکت، مانند روش پارتیکل فیلتر و یا روش های ابتکاری ابتدا موقعیت هدف را پیش بینی کرده، سپس مکان نهایی هدف را با اندازه گیری ویژگیها بدست می آورد. هدف از این مقاله مروری، ابتدا ارائه عملکرد هر یک از روش هایPF، MS و روشهای ابتکاری استاندارد است، سپس مقایسهای بین عملکرد هر یک از الگوریتم ها از نظر سرعت، دقت و شرایط انسداد می باشد. در مقاله مروری ارائه شده در تمام روشهای مورد بررسی شی در فریم اول توسط مستطیل و یا بیضی نمایش داده شده است. سپس هیستوگرام رنگ شی که به منظورتولید یک مدل ویژگی برای شی هدف است استخراج میشود. ارزیابی ویژگیهای مناطق کاندید هدف با منطقه هدف توسط ضریت باتاچاریا انجام میگیرد. از مقایسه ی بین روشهایPF ،MS و روشهای ابتکاری به این نتیجه رسیده ایم که روشهای ابتکاری دقت بهتری در تخمین شی به خصوص در شرایط انسداد و همچنین سرعت بالاتری در ردیابی دارند. ولی زمان پردازش روش MS در شرایط انسداد در مقایسه با PSO و PF کمتر است. از بین روشهای ابتکاری PSO، FBA، GSA، GA، FA و BA سه روش FBA و GSA و BA موفق تر عمل کردند. که این موفقیت به دلیل بهتر بودن استراتژی این روشها میباشد.

کلیدواژه ها:

ردیابی شی ، فیلتر کالمن ، فیلتر ذرات ، جابجایی میانگین ، الگوریتمهای بهینه سازی ابتکاری