کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4970447 | 1450124 | 2017 | 30 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Chaotic target representation for robust object tracking
ترجمه فارسی عنوان
نمایش هدف هرج و مرج برای ردیابی دقیق جسم
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
نظریه هرج و مرج، نظریه فراکتال، آموزش آنلاین چند نمونه ای ردیابی شی،
ترجمه چکیده
در این مقاله، یک روش بازنویسی شی جدید به عنوان یک مدل ظاهر بر اساس نظریه هرج و مرج معرفی شده است. برای ردیابی دقیق جرم، این تئوری برای استخراج یک مدل قطعی از الگوهای نامنظم دامنه پیکسل در یک منطقه هدف مورد استفاده قرار می گیرد. الگوریتم ردیابی شی که همراه با روش پیشنهادی شامل دو مرحله است. ابتدا تئوری فراکتال به یک روش سنجش فشاری اعمال می شود که در آن برای جاسازی یک تصویر در یک فضای حالت دو بعدی در طول ردیابی توسط تشخیص استفاده می شود. بعد از اینکه یک نمایه شیء از یک نمونه استخراج می شود، ابعاد فراکتالی فضای حالت به وزن اهمیت نمونه برای یادگیری مؤثر چندرسانه ای آنلاین اختصاص داده می شود. دوم، یک رویکرد نقشه ی هرج و مرج برای به روز رسانی مدل ظاهر به کار رفته است. این به روز رسانی گام مهمی در انتخاب ویژگی های جدی و قوی است. برای برجسته کردن مزایای الگوریتم ارائه شده در این کار، دقت آن بر روی یک مجموعه داده بزرگ تأیید شده است. نتایج نشان می دهد که الگوریتم پیشنهادی کارآمدتر از الگوریتم های ردیابی پیشرفته ای است که سابق آن را تحت تاثیر قرار می دهد، در حال چرخش، روشنایی و تغییرات مقیاس.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
In this paper, a new object representation method is introduced as an appearance model based on chaos theory. For robust object tracking, the theory is used to extract a deterministic model from irregular patterns of pixel amplitudes in a target region. The object tracking algorithm that accompanies the proposed method involves two steps. First, fractal theory is applied to a compressive sensing method intended to embed an image into a two-dimensional state space during tracking by detection. After an object representation is extracted from an instance, the fractal dimension of the state space is assigned to the importance weight of the instance for efficient online multiple-instance learning. Second, a chaotic map approach is adopted to update the appearance model. Such updating is a crucial step in selecting discriminative and robust features. To highlight the advantages of the algorithm put forward in this work, its accuracy is validated on a large dataset. Results show that the proposed algorithm is more efficient than state-of-the-art tracking algorithms, with the former outperforming the latter under rotation, illumination, and scale changes.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing: Image Communication - Volume 54, May 2017, Pages 23-35
Journal: Signal Processing: Image Communication - Volume 54, May 2017, Pages 23-35
نویسندگان
Marjan Abdechiri, Karim Faez, Hamidreza Amindavar, Eleonora Bilotta,