کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4968870 1449749 2016 27 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Clustering based ensemble correlation tracking
ترجمه فارسی عنوان
خوشه بندی مبتنی بر گروه ردیابی همبستگی
کلمات کلیدی
ردیابی شی، خوشه بندی متوالی، فیلتر همبستگی
ترجمه چکیده
ردیابی مبتنی بر فیلتر همبستگی، توجه بسیاری از محققان را در سال های اخیر به دلیل راندمان بالا و استحکام آن جذب کرده است. بیشتر کارهای موجود بر بهره برداری از ویژگی های مختلف با فیلتر وابستگی برای ردیابی بصری، مانند ساختار گرداننده، ترفند هسته، نمایش مؤثر ویژگی ها و اطلاعات متنی تمرکز کرده است. علیرغم پیروزی بسیار موفقیت آمیز، مسائل متعددی مورد توجه قرار گرفته است. در ابتدا، مدل ظاهر هدف نمی تواند دقیقا به عنوان هدف در روند ردیابی به دلیل تاثیر تنوع مقیاس را نشان می دهد. دوم، الگوریتم های ردیابی همبستگی آنلاین اغلب با مشکل رانش مدل مواجه می شوند. در این مقاله، ما یک ردگیر وابستگی گروهی مبتنی بر خوشه بندی برای حل مسائل بالا پیشنهاد می دهیم. به طور خاص، ما فیلد همبستگی ردیابی را با جاسازی عامل مقیاس در ماتریس کرنل شده برای مقابله با تغییرات مقیاس گسترش می دهیم. علاوه بر این، یک روش جدید خوشه بندی تکراری غیر پارامتری پیشنهاد شده برای استخراج موثر ساختار پایین رتبه نمایشی شیء تاریخی از طریق مراکز خوشه ای وزن پیشنهاد می شود. علاوه بر این، برای رفع رگرسیون مدل، توزیع فضایی ابعاد با تطبیق الگو قالب سازگار از مراکز خوشه ای به دست می آید. همانند یک استراتژی جستجوی دقیق، توزیع فضایی نه تنها برای ارائه اطلاعات ضعیف تحت نظارت استفاده می شود، بلکه برای کاهش پیچیدگی محاسباتی در روش تشخیص، که می تواند به طور موثر مشکل رانش مدل را کاهش دهد، اتخاذ شده است. به این ترتیب، رویکرد پیشنهادی می تواند وضعیت دقیق جسم را برآورد کند. آزمایش های گسترده نشان دهنده برتر بودن روش پیشنهادی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
خوشه بندی مبتنی بر گروه ردیابی همبستگی
چکیده انگلیسی
Correlation filter based tracking has attracted many researchers' attention in the recent years for its high efficiency and robustness. Most existing work has focused on exploiting different characteristics with correlation filter for visual tracking, e.g., circulant structure, kernel trick, effective feature representation and context information. Despite much success having been demonstrated, numerous issues remain to be addressed. Firstly, the target appearance model can not precisely represent the target in the tracking process because of the influence of scale variation. Secondly, online correlation tracking algorithms often encounter the model drift problem. In this paper, we propose a clustering based ensemble correlation tracker to deal with the above problems. Specifically, we extend the tracking correlation filter by embedding a scale factor into the kernelized matrix to handle the scale variation. Furthermore, a novel non-parametric sequential clustering method is proposed for efficiently mining the low rank structure of historical object representation through weighted cluster centers. Moreover, to alleviate the model drift, an object spatial distribution is obtained by matching the adaptive object template learned from the cluster centers. Similar to a coarse-to-fine search strategy, the spatial distribution is not only used for providing weakly supervised information, but also adopted to reduce the computational complexity in the detection procedure which can alleviate the model drift problem effectively. In this way, the proposed approach could estimate the object state accurately. Extensive experiments show the superiority of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Vision and Image Understanding - Volume 153, December 2016, Pages 55-63
نویسندگان
, , ,