ردیابی اهداف با استفاده از یادگیری بافت فضایی- زمانی با وجود انسدادهای سنگین

در این مقاله یک سیستم ردیاب بصری با استفاده از یادگیری محتویات فضایی – زمانی طراحی شده است که در مقابل انسدادهای بزرگ مقاوم می باشد روش ارایه شده، الگوریتم سریع و مقاومی است که اطلاعات بافت فضایی – زمانی را استخراج می نماید. در این روش ابتدا یک مدل بافت محلی بین شیء هدف و پس زمینه محلی اطراف آن مبتنی بر روابط فضایی در یک صحنه توسط حل یک مسیله دی کانولوشن یاد گرفته می شود و سپس از مدل بافت فضایی یاد گرفته شده برای به روز رسانی بافت فضایی – زمانی فریم بعدی استفاده می شود. ردیابی در فریم بعدی توسط محاسبه نگاشت مطمین به عنوان یک مسیله کانولوشن که اطلاعات بافت فضایی- زمانی را کامل می کند انجام می شود که می تواند بهترین مکان شی را توسط ماکزیمم نگاشت مطمین تخمین زده شده فرموله نماید. همچنین در این الگوریتم تبدیل فوریه سریع برای تشخیص و یادگیری سریع استفاده شده است. برای اجتناب از انطباق بیش حساس و برای کاهش نویزی که به وسیله ی خطای تخمین تعریف شده است، مقیاس هدف تخمین زده شده از طریق فیلترینگ و پارامتر ثابت فیلتر ( 0< لاندا) به دست آورده می شود. در انتها ردیاب پیشنهادی با روش های دیگر مورد مقایسه قرار گرفته که نتایج روش پیشنهادی به طور قابل توجهی مشکل انسدادهای بزرگ را بهبود بخشیده است.

کلیدواژه ها:

انسدادهای سنگین ، ردیابی ، تبدیل فوریه سریع ، نگاشت مطمین ، یادگیری بافت فضایی- زمانی