اصلاح ردیاب انتقال متوسط برای ردگیری هدف با الگوی تابشی متغیر
محورهای موضوعی : عمومى
پیمان معلم
1
(هیات علمی گروه مهندسی برق)
عليرضا معمارمقدم
2
( دانشکده فنی و مهندسی دانشگاه اصفهان)
جواد عباس پور
3
( دانشکده فنی و مهندسی دانشگاه اصفهان)
مسعود کاوش تهرانی
4
(دانشگاه صنعتی مالک اشتر )
کلید واژه: ردیاب انتقال متوسط, مدل هیستوگرام, کرنل, پنجره رديابي, اندازه‌بندی وفقی, تباین,
چکیده مقاله :
یکی از روش های مرسوم در زمینه ی ردیابی تصويری اهداف غیرصلب، استفاده از روالی تکراری به نام انتقال متوسط در تعیین موقعیت مد مرکزی هدف است. نمایش هدف در ردياب انتقال متوسط برپایه ی هیستوگرام ویژگی بانقاب گذاری مکانی با یک کرنل مستقل از جهت انجام می شود. بحراني ترين چالش در ردیاب انتقال متوسط، تنظیم مقیاس کرنل است. تاکنون هیچ روش کارامد و بی عیب و نقصی برای تنظیم و یا وفق دهی ابعاد کرنل، زمانی که ابعاد هدف تغییرمی کند، ارائه نشده است. مشکل دیگر ردیاب انتقال متوسط در رویارویی با هدف با الگوی تابشی متغیر پیش می آید. در این مقاله با رویکرد حل این مشکلات، الگوریتم ردیابی انتقال متوسط همراه با اندازه بندی وفقی قوی ارائه مي‌گردد، ضمن این که مشکل الگوریتم انتقال متوسط را در مواجهه با تغییرات الگوی تابشی هدف با وفق دهی مدل هدف در هر قاب حل می کند. در روش پیشنهادی، ابتدا با استفاده از روش محاسبه ی توان ناشی از مشتقات مکان- زمانی شدت پیکسل های تصویر، ابعاد پنجره در قاب بعد تنظیم می شود. سپس نتایج حاصل از اندازه بندی پنجره در قاب بعد، در ردیاب انتقال متوسط اعمال می شود. نتایج نشان مي دهند که استفاده از الگوریتم پیشنهادی ضمن اينكه به كاهش خطای موقعيت يابي هدف در مقايسه با الگوريتم انتقال متوسط استاندارد مي انجامد، در برابر تغييرات تباین2 و الگوي تابشي هدف نيز كارايي قابل توجهي از خود نشان می دهد.
One of the conventional methods in the field of image tracking of non-rigid targets is to use a repetitive procedure called average transfer in determining the central mode position of the target. The display of the target in the average transfer tracker is based on the histogram of spatial interpolation feature with a direction-independent kernel. The most critical challenge in the medium transfer detector is the kernel scaling. So far, no efficient and perfect method to adjust or adapt the kernel dimensions when the target dimensions change has been presented. Another problem of the average transmission detector occurs when facing a target with a variable radiation pattern. In this article, with the approach of solving these problems, the average transmission tracking algorithm with strong adaptive scaling is presented, while it solves the problem of the average transmission algorithm in the face of changes in the radiation pattern of the target by adapting the target model in each frame. In the proposed method, the dimensions of the window in the next frame are set first by using the power calculation method resulting from the time-space derivatives of the intensity of the image pixels. Then, the results of the window scaling in the next frame are applied to the average transfer detector. The results show that the use of the proposed algorithm, while reducing the target positioning error in comparison with the standard average transfer algorithm, also shows a significant efficiency against the changes of contrast 2 and target radiation pattern.
مراجع
[1]. H. Tahvilian, P. Moallem, A. Monadjemi, Balloon Energy Based on Parametric Active Contour and Directional Walsh-Hadamard Transform and its Application in Tracking of Texture Object in Texture Background, EURASIP Journal on Advances in Signal Processing, Springer, 2012:253, Dec. 2012.
[2]. A.I. Comport, E. Marchand, F. Chaumette,Efficient model-based tracking for robot vision, Advanced Robotics, Vol.19, No. 10,pp. 1097-1113, 2005.
[3]. P. Salembier and F. Marques, Region-based representations of image and video: Segmentation tools for multimedia services, IEEE Transactionson Circuits, Systems and Video Technology,Vol. 9,pp. 1147-1169, 1999.
[4]. M. Kass, A. Witkin, and D. Terzopoulos, Snakes: Active contour models, in 1stInternational Conference on Computer Vision, UK, pp. 259-269, 1987.
[5]. J. Verestoy and D. Chetverikov, Comparative performance evaluation offour feature point tracking techniques, 22nd workshop of the Austrian pattern recognition group, Austria, pp. 255-263, 1998.
]6[. ع. معمارمقدم، پ. معلم، رديابي سريع و كارآمد هدف در رشته تصاوير ويدئويي به كمك انباره سازي خطاهاي تطبيق¬دهي نقاط گوشه¬اي آن، چهارمین کنفرانس ماشین بینایی و پردازش تصویر ایران، جلد دوم، صفحات 981 الی 990، دانشگاه فردوسی مشهد، 1385.
[7]. D. Comaniciu, V. Ramesh, P. Meer, Kernel-based object tracking, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 25, No. 5,pp. 564-577, 2003.
[8]. D.Comaniciu, P. Meer, Mean shift: A robust approach toward feature space analysis, IEEETransactions on Pattern Analysis and Machine Intelligence, Vol. 24, No.5, pp.603-619, 2002.
[9]. N.M. Artner, W. Burger, A Comparison of mean shift Tracking Methods, 12thCentral European Seminar on Computer Graphics, Austrian, pp. 197-204, 2008.
[10]. P.Moallem, A.Memarmoghaddam, M. Ashourian,Robust and Fast Tracking Algorithm in video Sequences by Adaptive Window Sizing Using a Novel Analysis on Spatiotemporal Gradient Powers , Journal of Circuits, Systems, and Computers,Vol. 16, No. 2, pp. 305-317, 2007.
[11]. R. Collins, Mean-shift blob tracking through scale space,IEEE International Conference on Computer Vision and Pattern Recognition, USA, Vol. 2, pp. 234-240, 2003.