ردیابی حرکت در ویدئو با استفاده از فیلتر همبستگی و ویژگی هیستوگرام گرادیان جهتدار

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 165

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSCIT-9-4_004

تاریخ نمایه سازی: 25 مهر 1403

چکیده مقاله:

امروزه یکی از اساسی‎ترین فرآیندها به‎منظور ادراک محتوای ویدئو، ردیابی اشیا متحرک است که در آن فرآیند موقعیت‎یابی یک شی متحرک، در هر فریم ویدئو صورت می‎گیرد. استفاده از فیلترها در این حوزه در دهه‎ی گذشته مورد استقبال قرار گرفته است. فیلتر همبستگی یکی از فیلترهای پرکاربرد در این حوزه است اما، استفاده از این فیلتر به صورت معمول ممکن است سبب بروز مشکل از دست دادن هدف شود. در این مقاله روشی جهت بهبود عملکرد فیلتر همبستگی پیشنهاد شده است. روش جستجوی پیشرفته‎ با بررسی یک سطح آستانه توسط محاسبه میانگین و واریانس هدف، در هر فریم می‎تواند مشکل از دست دادن هدف را تا حد زیادی کاهش دهد. به این ترتیب در صورت کاهش از سطح آستانه مکانیزمی جهت جستجو در فریم جاری فعال می‎شود تا هدف را بازیابی نماید. به منظور توصیف هدف از ویژگی هیستوگرام گرادیان جهتدار استفاده شده است زیرا، این ویژگی تغییرات شدت روشنایی را نسبت به سایر ویژگی‎ها به‎ خوبی نشان می‎دهد. روش پیشنهادی در حالت تک دوربینه روی پایگاه داده‎ها‎ی TB۵۰ و TB۱۰۰ بررسی شده است. معیارهای ارزیابی دقت، نرخ موفقیت (CDR)، میانگین خطای موقعیت مرکزی (ALE) و فریم بر ثانیه به‎منظور ارزیابی استفاده شده است. نتایج بدست آمده روی پایگاه داده TB۵۰ نشان می‎دهد، روش پیشنهادی در مقایسه با روش پایه KCF، با پیشرفت تقریبی ۹ درصد در معیار دقت، بهبود ۶ درصد در معیار نرخ موفقیت و کاهش ۵۰ درصدی معیار ALE همراه بوده است. همچنین روش پیشنهادی روی پایگاه داده TB۱۰۰، معیار دقت را به میزان تقریبی ۱۵ درصد و نرخ موفقیت را به میزان ۱۲ درصد افزایش و معیار ALE را به میزان تقریبی ۵۰ درصد کاهش داده است.

کلیدواژه ها:

نویسندگان

Mehrdad Ruhani

دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران.

Hasan Farsi

دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران.

Sajad Mohamadzadeh

دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران.

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 :
  • M. Ullah and F. A. Cheikh, "Deep feature based end-to-end ...
  • H. Farsi and S. Mohamadzadeh, "Combining Hadamard matrix, discrete wavelet ...
  • L. Wu, Z. Li, and X. Ma, "Video object tracking ...
  • M. Chiani, A. Giorgetti, and E. Paolini, "Sensor radar for ...
  • A. Yilmaz, O. Javed, and M. Shah, "Object tracking: A ...
  • R. B. Hatwar, S. D. Kamble, N. V. Thakur, and ...
  • P. R. Gunjal, B. R. Gunjal, H. A. Shinde, S. ...
  • V. Monteleone, L. L. Presti, and M. La Cascia, "Particle ...
  • S. Zhang, X. Yu, Y. Sui, S. Zhao, and L. ...
  • J. W. Choi, T. K. Whangbo, and C. G. Kim, ...
  • J. F. Henriques, R. Caseiro, P. Martins, and J. Batista, ...
  • K. Zhang, L. Zhang, Q. Liu, D. Zhang, and M.-H. ...
  • D. S. Bolme, J. R. Beveridge, B. A. Draper, and ...
  • J. F. Henriques, R. Caseiro, P. Martins, and J. Batista, ...
  • M. Danelljan, G. Häger, F. Khan, and M. Felsberg, "Accurate ...
  • C. Ma, X. Yang, C. Zhang, and M.-H. Yang, "Long-term ...
  • H. Lou, D. Wang, Z. Jiang, A. Men, and Y. ...
  • M. Mueller, N. Smith, and B. Ghanem, "Context-aware correlation filter ...
  • M. Danelljan, G. Häger, F. S. Khan, and M. Felsberg, ...
  • C. Ma, J.-B. Huang, X. Yang, and M.-H. Yang, "Adaptive ...
  • Z. He, Q. Li, M. Chang, H. Feng, and Z. ...
  • Y. Yang et al., "Visual tracking with long-short term based ...
  • M. D. Breitenstein, F. Reichlin, B. Leibe, E. Koller-Meier, and ...
  • Y. Wu, J. Lim, and M.-H. Yang, "Online object tracking: ...
  • Y. Wu, J. Lim, and M.-H. Yang, "Object tracking benchmark", ...
  • L. Zhang and L. Van Der Maaten, "Preserving structure in ...
  • نمایش کامل مراجع