ردیابی اهداف متحرک هوایی با استفاده از تخمین چگالی کرنل بر اساس الگوریتم فیلتر ذره

نویسندگان

1 دانش‌آموخته کارشناسی ارشد دانشکده فاوا - دانشگاه جامع امام حسین (ع)

2 استادیار دانشکده فاوا - دانشگاه جامع امام حسین (ع)

چکیده

چکیده: در این مقاله، به منظور ردیابی اهداف متحرک روشی جدید بر اساس الگوریتم فیلتر ذره ارائه شده است. تعیین تعداد مراحل بازنمونه­برداری در الگوریتم فیلترذره یکی از عوامل مهم در تعیین مدت زمان پردازش تصاویر می­باشد. در مقالة حاضر با تخمین چگالی کرنل گوسی، هیستوگرام وزن­دارشده مدل هدف به­دست آمده و با اعمال واریانس یک نویز تصادفی در محل هدف، موقعیت ذرات نامزد در فریم بعد پیشگویی می­شوند. در این مقاله ذرات نامزد توسط فاصله باتاچاریا، وزن­دارشده و تعداد مراحل بازنمونه­برداری در هر فریم، متناسب بـا وزن ذرات در الگوریتم فیلتر ذره به­صورت وفقی تعیین می­گردند. همچنین شعاع کرنل نیز با لبه­یابی، بر تغییرات جسم متحرک منطبق می­شود. مقایسة عملکرد الگوریتم پیشنهادی با الگوریتم بازنمونه­برداری فیلتر ذره با تعداد مراحل ثابت بازنمونه­برداری، حاکی از افزایش دقت تشخیص جسم متحرک به 88 درصد، بدون افزایش بیش از حد واریانس پراکندگی ذرات است. همچنین الگوریتم پیشنهادی کاهش متوسط زمان پردازش را به 22 میلی­ثانیه نشان می­دهد.
 

کلیدواژه‌ها


[1]B. Ristic, S. Arulampalam and N. Gordon: Beyond the Kalman Filter­, Particle Filters For Tracking Applications, Artech House Radar Library Publishing, Boston, london, 2004.
[2]A. Doucet, N. D. Freitas and N. Gordon: Sequential Monte Carlo methods in practice, New York, Springer Publishing, 2001.
[3]R. T. Collins, “Mean-shift Blob Tracking through Scale Space,” IEEE Society Conference on Computer Vision and Pattern Recognition, 2003.
[4]M. Li, T. Tan, W. Chen and K. Huang, “Efficient Object Tracking by Incremental Self-Tuning Particle Filtering on the Affine Group,” IEEE Transactions on Image Processing­, vol. 21(3), pp. 1298-1313, 2012.
[5]O. Hlinka, F. Hlawatsch and P. M. Djuric, “Likelihood consensus-based distributed particle filtering with distributed proposal density adaptation,” IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 3869–3872, 2012.
[6]O. Hlinka, O. Sluˇciak, F. Hlawatsch, P. M. Djuric and M. Rupp, “Likelihood consensus and its application to distributed particle filtering,” IEEE Transactions on Signal Processing, vol. 60(8), pp. 4334–4349, ­2012.
[7]J. A. Pocock, S. L Dance and A. S Lawless, “State estimation using the particle filter with mode tracking,” 10th ICFD Conference Series on Numerical Methods for Fluid Dynamics, vol. 46, no.1, pp.392–397, 2011.
[8]M. Gao and H. Zhang, “Sequential Monte Carlo methods for parameter estimation in nonlinear state-space models,” Computers & Geosciences, vol. 44, pp. 70–77, 2012.
[9]B. Han, D. Comaniciu,­  Z. Ying and L.S. Davis,­ “Sequential Kernel Density Approximation and Its Application to  Real-Time  Visual Tracking,” IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 30(7), pp. 1186–1197, 2008.
[10]Y. Cheng, “Mean shift, mode seeking, and clustering,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 17 (8), pp. 790–799, 1995.
[11]B. Sugandi, H. Kim, J. K. Tan and S. Ishikawa: Object Tracking Based on Color Information Employing Particle Filter Algorithm, Object Tracking, InTech, Chapters published February 28, 2011 under CC BY-NC-SA 3.0 license, Edited by Hanna Goszczynska, 2011.
[12]C. R. del Blanco, Visual Object Tracking in Challenging Situations using a Bayesian Perspective, Ph.D. Thesis, Tesis Doctoral, Linkoping Studies in Science and Technology, 2010.
[13]D. Comaniciu, V. Ramesh and P. Meer, “Kernel-Based Object Tracking,” IEEE Transactions on Pattern Analysis and Machine Intelligence ­(PAMI), vol. 25, pp. 564-575, 2003.
[14]D. Liang, Q. Huang, S. Jiang, H. Yao and W. Gao, ”MeanShift Blob, Tracking With Adaptive Feature Selection And Scale Adaptation,” IEEE International Conference on Image Processing, 2007.
[15]A. ­Abiri and M.­ R.­ Mahzoun, ”Adaptive Tracking of Moving Aerial Targets, Based on Color Information Using Particle Filter Algorithm,” Journal of Electronic & Cyber Defence, vol. 1, no.4, 2014.