کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
10361277 | 870090 | 2015 | 15 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Robust visual tracking via efficient manifold ranking with low-dimensional compressive features
ترجمه فارسی عنوان
ردیابی دقیق بصری از طریق طبقه بندی مؤثر کارآیی با ویژگی های کم فشرده کم
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ردیابی ویژوال مدل ظاهر، رتبه بندی منیفولد، پیش بینی های تصادفی، ویژگی های فشرده سازی کم ابعاد، زمینه فضایی،
ترجمه چکیده
در این مقاله روش ردیابی جدید و قوی بر اساس رتبه بندی کارآمد چندگانه پیشنهاد شده است. برای ردیابی، نتایج ردیابی به عنوان گره های نشانه گرفته شده است، در حالی که نمونه های کاندید به عنوان گره های بدون برچسب گرفته می شوند. هدف ردیابی جستجوی نمونه ی بدون برچسب است که بیشتر مربوط به گره های موجود موجود است. بنابراین، ردیابی بصری به عنوان یک مشکل رتبه بندی در نظر گرفته می شود که در آن ارتباط بین مدل ظاهر شال و نمونه های نامزد توسط الگوریتم رتبه بندی چندگانه پیش بینی شده است. با توجه به توانایی برجسته الگوریتم رتبه بندی چند منظوره در کشف ساختار هندسی زیرین یک پایگاه داده تصویری، ردیاب ما برای رفع رانندگی ردیابی قوی تر است. در همین حال، ما پیش بینی های غیر تصادفی تصادفی را برای حفظ ساختار فضای تصویر اولیه اتخاذ می کنیم و ماتریس اندازه گیری بسیار ضعیف برای کارآمد بودن ویژگی های فشرده سازی کم ابعاد برای نمایش شی مورد استفاده قرار می گیرد. علاوه بر این، زمینه فضایی برای بهبود استحکام تغییرات ظاهری استفاده می شود. نتایج تجربی در برخی از توالی های ویدئویی چالش انگیز نشان می دهد که الگوریتم پیشنهادی از لحاظ دقت و استحکام، از هفت حالت پیشرفته برخوردار است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
In this paper, a novel and robust tracking method based on efficient manifold ranking is proposed. For tracking, tracked results are taken as labeled nodes while candidate samples are taken as unlabeled nodes. The goal of tracking is to search the unlabeled sample that is the most relevant to the existing labeled nodes. Therefore, visual tracking is regarded as a ranking problem in which the relevance between an object appearance model and candidate samples is predicted by the manifold ranking algorithm. Due to the outstanding ability of the manifold ranking algorithm in discovering the underlying geometrical structure of a given image database, our tracker is more robust to overcome tracking drift. Meanwhile, we adopt non-adaptive random projections to preserve the structure of original image space, and a very sparse measurement matrix is used to efficiently extract low-dimensional compressive features for object representation. Furthermore, spatial context is used to improve the robustness to appearance variations. Experimental results on some challenging video sequences show that the proposed algorithm outperforms seven state-of-the-art methods in terms of accuracy and robustness.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 48, Issue 8, August 2015, Pages 2459-2473
Journal: Pattern Recognition - Volume 48, Issue 8, August 2015, Pages 2459-2473
نویسندگان
Tao Zhou, Xiangjian He, Kai Xie, Keren Fu, Junhao Zhang, Jie Yang,