کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865751 678082 2015 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Abrupt motion tracking via nearest neighbor field driven stochastic sampling
ترجمه فارسی عنوان
ردیابی ناگهانی حرکت از طریق نمونه برداری تصادفی رانده شده از نزدیکترین منطقه همسایه
کلمات کلیدی
ردیابی ویژوال حرکت ناگهانی، نمونه گیری تصادفی، نزدیکترین میدان همسایه، زنجیره مارکوف مونت کارلو،
ترجمه چکیده
ردیاب های مبتنی بر نمونه برداری تصادفی عملکرد خوبی برای ردیابی حرکت های ناگهانی نشان داده اند تا در سال های اخیر محبوبیت داشته باشند. با این حال، روش های متداول تمایل به استفاده از یک پارامتر نمونه برداری دو مرحله ای دارند که در آن فضای جستجو باید با یک مرحله ی نمونه گیری اولیه ناکارآمد مورد بررسی قرار گیرد. در این مقاله، یک روش مبتنی بر نمونه برداری جدید در چارچوب فیلترینگ بیزی برای حل مشکل ارائه شده است. در چارچوب، تخمین نزدیکترین میدان همسایگی برای محاسبه احتمالهای احتمال اهمیت استفاده می شود که راهنمای زنجیره مارکف را به سمت مناطق امیدوار کننده هدایت می کند و در نتیجه کارایی نمونه گیری را افزایش می دهد. با توجه به حرکات حرارتی، الگوریتم مونت کارلو نمونه گیری تصادفی صاف شده برای تقریب توزیع خلفی از طریق یک طرح به روز رسانی صاف کردن وزن پیشنهاد شده است. علاوه بر این، برای ردیابی حرکات ناگهانی و صاف همزمان، ما یک طرح تشخیص حرکت ناگهانی ایجاد می کنیم که می تواند حضور حرکت های ناگهانی را در طی ردیابی آنلاین پیدا کند. آزمایش های گسترده در توالی تصاویر چالش برانگیز نشان دهنده اثربخشی و استحکام الگوریتم ما در رسیدگی به حرکت های ناگهانی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ردیابی ناگهانی حرکت از طریق نمونه برداری تصادفی رانده شده از نزدیکترین منطقه همسایه
چکیده انگلیسی
Stochastic sampling based trackers have shown good performance for abrupt motion tracking so that they have gained popularity in recent years. However, conventional methods tend to use a two-stage sampling paradigm in which the search space needs to be uniformly explored with an inefficient preliminary sampling phase. In this paper, we propose a novel sampling-based method in the Bayesian filtering framework to address the problem. Within the framework, nearest neighbor field estimation is utilized to compute the importance proposal probabilities, which guide the Markov chain search towards promising regions and thus enhance the sampling efficiency; given the motion priors, a smoothing stochastic sampling Monte Carlo algorithm is proposed to approximate the posterior distribution through a smoothing weight-updating scheme. Moreover, to track the abrupt and the smooth motions simultaneously, we develop an abrupt-motion detection scheme which can discover the presence of abrupt motions during online tracking. Extensive experiments on challenging image sequences demonstrate the effectiveness and the robustness of our algorithm in handling the abrupt motions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 165, 1 October 2015, Pages 350-360
نویسندگان
, , , , , ,