ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

A Variational Level Set Approach to Multiphase Multi-Object Tracking in Camera Network Base on Deep Features

سال انتشار: 1400
کد COI مقاله: JR_JECEI-9-2_008
زبان مقاله: انگلیسیمشاهده این مقاله: 42
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 12 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله A Variational Level Set Approach to Multiphase Multi-Object Tracking in Camera Network Base on Deep Features

E. Pazouki - Artificial Intelligence Department, Faculty of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran
M. Rahmati - Artificial Intelligent and Robotics Department, Faculty of Computer and Information Technology Engineering, Amirkabir University of Technology, Tehran, Iran

چکیده مقاله:

Background and Objectives: Object tracking in video streams is one of the issues in machine vision that has many applications. Depending on the type of the object, the number of objects and other inputs used in tracking, object tracking is divided into several different categories. Multi-object tracking in a camera network is one of the most complex types of object tracking. In this type of tracking, the goal of the algorithm is to extract the persistent trace of several objects moving simultaneously in a wide area that is monitored by a network of cameras. This type of tracking is often done in two steps. In the first step, the traces of each object in each camera is called tracklets are extracted. Then, the persistent trace of the objects are obtained by associating the extracted tracklets of all cameras in the monitored wide area. Here, we introduce a novel variational approach based on the deep features to associate the tracklets. Methods: For this purpose a variational model with multiphase level set representation is introduced. The persistent trace of all objects are obtained by optimizing the proposed variational model. The proposed variational model is optimized by employing the Euler-Lagrange equation. CNN and deep learning are used to extract the deep features of appearance and motion of objects. Here, a ResNet۵۰ network that is pre-trained on ImageNet and a transformer neural network which is trained with motion parameters of tracklets such as acceleration and orientation change rate are used for extracting deep features. Results: The results on the three well-known datasets which are real and a synthesized dataset show that the proposed model takes competitive performance, while using less extra context information of the camera network and objects, compared to the other proposed methods. The evaluations show the quality of the proposed model in solving complex problems using the minimum required initial knowledge. Conclusion: The multiphase model using deep features presented in this paper provide ۹% better results than the multiphase model without deep features based on TCF and FS metrics and ۸% better results based on MT metric.  

کلیدواژه ها:

Multi-Object Tracking, Camera Network Tracking, MultiPhase Level Set Representation, Variational Tracking, Deep Features

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_JECEI-9-2_008 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1224138/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Pazouki, E. and Rahmati, M.,1400,A Variational Level Set Approach to Multiphase Multi-Object Tracking in Camera Network Base on Deep Features,https://civilica.com/doc/1224138

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1400, Pazouki, E.؛ M. Rahmati)
برای بار دوم به بعد: (1400, Pazouki؛ Rahmati)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • [۱] A.K. Roy-Chowdhury, B. Song, Camera Networks: The Acquisition and Analysis ...
  • [۲] A. Yilmaz, O. Javed, M. Shah, "Object tracking: A survey," ...
  • [۳] S. Challa, Fundamentals of object tracking. Cambridge, UK; New York: ...
  • [۴] J. Bins, L.L. Dihl, C. R. Jung, "Target tracking using ...
  • [۵] Y. Sun, L. Bentabet, "A particle filtering and DSmT based ...
  • [۶] G. Castanon, L. Finn, "Multi-target tracklet stitching through network flows," ...
  • [۷] J.-F. Aujol, "Calculus of variations in image processing," in www.math.u-bordeaux۱.fr/~jaujol, ...
  • [۸] A.G. Jagola, W. Yanfei, C. Yang, Computational Methods for Applied ...
  • [۹] T.F. Chan, J.J.S.p. cm., Image processing and analysis: variational, PDE, ...
  • [۱۰] G. Unal, A. Yezzi, "A variational approach to problems in ...
  • [۱۱] N. Paragios, Y. Chen, O. Faugeras, Handbook of Mathematical Models ...
  • [۱۲] C. Liu, F. Dong, S. Zhu, D. Kong, K. Liu, ...
  • [۱۳] O. Javed, Z. Rasheed, K. Shafique, M. Shah, "Tracking across ...
  • [۱۴] B. Song, A.K. Roy-Chowdhury, "Robust tracking in a camera network: ...
  • [۱۵] W. Hu, T. Tan, L. Wang, S. Maybank, "A survey ...
  • [۱۶] D. Makris, T. Ellis, J. Black, "Bridging the gaps between ...
  • [۱۷] S. C, K. Tieu, "Automated multi-camera planar tracking correspondence modeling," ...
  • [۱۸] R. Pless et al., "Persistence and tracking: Putting vehicles and ...
  • [۱۹] C. Zhu, "Multi-Camera People Detection and Tracking," Independent thesis Advanced ...
  • [۲۰] Y. LeCun, Y. Bengio, G. Hinton, "Deep learning," Nature, ۵۲۱(۷۵۵۳): ...
  • [۲۱] H.-M. Hsu, T.-W. Huang, G. Wang, J. Cai, Z. Lei, ...
  • [۲۲] G. Wang, Y. Wang, H. Zhang, R. Gu, J.-N. Hwang, ...
  • [۲۳] K. He, X. Zhang, S. Ren, J. Sun, "Deep residual ...
  • [۲۴] M.P. Ghaemmaghami, "Tracking of humans in video stream Using LSTM ...
  • [۲۵] D. Gordon, A. Farhadi, D. Fox, "Re۳ : Real-time recurrent ...
  • [۲۶] P. Voigtlaender, J. Luiten, P. Torr, B. Leibe, "Siam R-CNN: ...
  • [۲۷] C. Ma et al., "Trajectory factory: Tracklet cleaving and re-connection ...
  • [۲۸] X. Zhang, X. Wang, C. Gu, "Online multi-object tracking with ...
  • [۲۹] N. Hussain et al., "A deep neural network and classical ...
  • [۳۰] M.A. Khan et al., "Human action recognition using fusion of ...
  • [۳۱] M. Rashid et al., "A sustainable deep learning framework for ...
  • [۳۲] M. Rashid, M.A. Khan, M. Sharif, M. Raza, M.M. Sarfraz, ...
  • [۳۳] E. Pazouki, M. Rahmati, "Variational method for wide area surveillance," ...
  • [۳۴] E. Pazouki, M. Rahmati, "Multiphase vs. single-phase variational level set ...
  • [۳۵] R. Mohammdi Farsani, E. Pazouki, "A transformer self-attention model for ...
  • [۳۶] B. Dacorogna, Introduction to the Calculus of Variation. World Scientific ...
  • [۳۷] T.F. Chan, L.A. Vese, "Active contours without edges," IEEE Trans. ...
  • [۳۸] "CAVIAR ۲۰۰۳ and ۲۰۰۴", accessed ۲۳ February ۲۰۲۱ ...
  • B. Song, R.J. Sethi, "Robust wide area tracking in single ...
  • [۴۰] "ngsim peachtree street." accessed ۲۳ February ۲۰۲۱ ...
  • [۴۱] "Eleventh ieee international workshop PETS." accessed ۲۳ February ۲۰۲۱ ...
  • [۴۲] "Image Processing & Pattern Recognition Laboratory." accessed ۲۳ February ۲۰۲۱ ...
  • [۴۳] S.-. Inria, "Internal Technical note Metrics Definition version ۲.۰ – ...
  • [۴۴] Y. Li, C. Huang, R. Nevatia, "Learning to associate: HybridBoosted ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 4,608
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی