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

سیستم بلادرنگ ردیابی هدف با استفاده از فیلتر کالمن توسعه یافته

سال انتشار: 1395
کد COI مقاله: CITCOMP01_296
زبان مقاله: فارسیمشاهده این مقاله: 535
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
محتوای کامل این مقاله با فرمت WORD هم 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 8 صفحه است به صورت فایل PDF و یا WORD در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله سیستم بلادرنگ ردیابی هدف با استفاده از فیلتر کالمن توسعه یافته

معین حبیبی مود - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
حمید طباطبایی - باشگاه پژوهشگران جوان و نخبگان، واحد قوچان،دانشگاه آزاد اسلامی، قوچان ایران
فاطمه عزیزیان - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
مونا سادات پورسیدی - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

چکیده مقاله:

ردیابی در بسیاری از امور از جمله نظارت و آنالیز حرکتی و شناسایی کاربرد فراوانی دارد. اما به دلایل متعدد امری بسیار دشوار است. از جمله ی این عوامل می توان به تغییرات روشنایی یا تغییر ظاهری یا متحرک بودن هدف اشاره کرد. به طور کلی یک سیستم ردیابی آنلاین سه جزء اصلی دارد: ۱) مدل ظاهری، ۲) مدل حرکتی، ۳) مدل بروز رسانی. از این سه مولفه بخش اول و سوم اهمیت بیشتری دارند. به طور کلی دو نوع مدل ظاهری وجود دارد، یکی مدل مولدی است و تنها بر اساس اطلاعات هدف کار می کند و دیگری مدل تمایزی که هم بر اساس اطلاعات هدف و هم بر اساس پس زمینه عمل می کند. همچنین برای نمایش بهتر هدف، مدل همکارانه در پیشنهاد شده است. دراستفاده از سه ویژگی به صورت همزمان پیشنهاد شده است. اما روش پیشنهادی این مقاله مبتنی بر استفاده از دو ویژگی اصلی و مهم در توصیف هدف است که مبنای ماشین پشتیبان چند دیدگاهی قرار گرفته است. شبکه ی عصبی پیچشی در دسته ی یادگیری عمیق قرار می گیرد. یادگیری عمیق زیر رشته ای از یادگیری ماشین است که بر پایه ی سطوح متعدد یادگیری برای نمایش دانش مرتبط با ویژگی های سلسله مراتبی یا فاکتورها و یا مفاهیم، که مفاهیم سطح بالا توسط سطوح پایین تر تعریف می شوند، و همان مفاهیم سطح پایین می توانند به تعریف مفاهیم سطح بالا کمک کنند. یادگیری عمیق بخشی از حوزه ی گسترده ی روش های یادگیری ماشین مبتنی بر بازنمایی یادگیری است. یک مشاهده(به طور مثال یک تصویر) به روش های متعددی می تواند نمایش داده شود(برداری از پیکسل ها)، اما برخی از این بازنمایی ها یادگیری وظایف مورد علاقه را اسان تر می کند(ایا این تصویر یک انسان است؟) با توجه به نمونه ها و تحقیقات در این زمینه برای بیان اینکه چه چیز نمایش را بهتر می کند، و چگونه باید انها را اموخت، تلاش شده است. با تمام این تفاسیر اما استفاده از این شبکه فرایندی زمان بر است. و به نظر می رسد نتوان به خوبی از ان در سیستم مورد نظر استفاده کرد.

کلیدواژه ها:

ردیابی هدف، ماشین بردار پشتیبان، فیلتر کالمن توسعه یافته

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا CITCOMP01_296 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/494225/

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:
حبیبی مود، معین و طباطبایی، حمید و عزیزیان، فاطمه و پورسیدی، مونا سادات،1395،سیستم بلادرنگ ردیابی هدف با استفاده از فیلتر کالمن توسعه یافته،کنفرانس بین المللی مهندسی کامپیوتر و فناوری اطلاعات،تهران،https://civilica.com/doc/494225

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: (1395، حبیبی مود، معین؛ حمید طباطبایی و فاطمه عزیزیان و مونا سادات پورسیدی)
برای بار دوم به بعد: (1395، حبیبی مود؛ طباطبایی و عزیزیان و پورسیدی)
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 :

  • Yilmaz, A., O. Javed, and M. Shah, Object tracking: A ...
  • Yang, H., et al., Recent advances and trends in visual ...
  • Zhang, S., et l., Object tracking with multt-view Support vector ...
  • Adam, A., E. Rivlin, and I. Shimshoni. Robus t fragments ...
  • Comaniciu, D., V. Ramesh, and P. Meer, Kernel-based object tracking. ...
  • Mei, X. H. b. Ling, Robust visual tracking using L1 ...
  • Ross, D.A., et al., Incremental learning for robust visual tracking. ...
  • Li, H., C. Shen, and Q. Shi. Real-time visual tracking ...
  • Babenko, B., M.-H. Yang, and S. Belongie, Robust object tracking ...
  • Liu, R., J. Cheng, and H. Lu. A robust boosting ...
  • Liu, T., et al., Imp lementation of Training Convolutiont Neural ...
  • Krizhevsky, A., I. Sutskever, and G.E. Hinton. Imagenet classification with ...
  • Grabner, H., M. Grabner, and H. Bischof. Real-Time Tracking via ...
  • Grabner, H., C. Leistner, and H. Bischof, Semi-s upervised on-line ...
  • Lu, H., W. Zhang, and Y .-W. Chen, On feature ...
  • Zhong, W., H. Lu, and M.-H. Yang. Robust object tracking ...
  • Lu, H., et al. A co-training framework for visual tracking ...
  • Tang, F., et al. Co-tracking using semi-s upervised Support vector ...
  • Leistner, C., et al., On-line multi-view forests for tracking, in ...
  • Arroyo, R., et al., Expert video -surveillance system for real-time ...
  • Lin, X., et al. Comparison of EKF, pseudomeas urement, and ...
  • Tang, D. and Y.-J. Zhang. Combining mean-shift and particle filter ...
  • Schmidhuber, J., Deep learning in neural network: An overview. Neural ...
  • Ning, J., et al., Joint registration and active contour segmentation ...
  • Crassidis, J.L., F.L. Markley, and Y. Cheng, Survey of nonlinear ...
  • Najafzadeh, N. M. Fotouhi, and S. Kasae. Object tracking using ...
  • 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 آزاد
    تعداد مقالات: 9,304
    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.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    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