دسته بندی ویژگی های استخراج شده از پیش زمینه و پس زمینه تصویر برای ردیابی اهدف متحرک هوایی

نویسندگان

1 دانشگاه یزد

2 فارغ التحصیل کارشناسی ارشد دانشگاه یزد

چکیده

چکیده: ردیابی هدف متحرک فرایندی است که در آن یک شیء مشخص در یک دنباله ویدئویی از فریم‌ها تعقیب و مکان آن در هر فریم آشکار می‌شود. هدف از این فرایند تسهیل در پردازش‌های بعدی برای تحلیل رفتار یا شناسایی سوژه متحرک است. در این مقاله رویکردی در زمینه ردیابی اهداف متحرک هوایی بر مبنای الگوریتم‌های تطبیق مشخصه ارائه ‌شده است. چالش موجود، دسته­بندی ویژگی­های استخراج‌شده از پس‌زمینه و پیش­زمینه ناحیه­ هدف است. برای حل این مشکل نقاط کلیدی و متناظر آن­ها در الگوهای استخراج‌شده از فریم­های متوالی، توسط الگوریتم KLT محاسبه می­شود، سپس برای هر کدام از این نقاط شش ویژگی رنگ، میانگین، واریانس و دامنه تغییرات محاسبه می­شود و با استفاده از این ویژگی­ها و تابع متمایزکننده بیزین نقاط ویژگی دسته­بندی می‌شوند. علاوه‌بر‌این برای مقاوم کردن الگوریتم پیشنهادی نسبت به تغییر مقیاس هدف از تاریخچه مقیاس سوژه در 10 فریم قبلی استفاده شده است. الگوریتم ارائه‌شده بر روی پایگاه داده استاندارد AIRCRAFT TRACKING اجرا شد. نتایج آزمایش­ها کارآمدی روش ارائه‌شده را در دقت ردیابی نسبت به الگوریتم‌های ردیابی KLT و SURF نشان می­دهد. 

کلیدواژه‌ها


عنوان مقاله [English]

Classification of Features Extracted from Image Foreground and Background for Tracking of Aerial Moving Targets

[1] K. Zhang, L. Zhang, M.-H. Yang and D. Zhang, "Fast tracking via spatio-temporal context learning," in Computer Vision–ECCV, pp. 127-141, 2014.
[2] A. Yilmaz, O. Javed and M. Shah, "Object tracking: A survey," Acm computing surveys (CSUR),vol. 38, no. 4, pp. 1-45, 2006.
[3] H. Shuo, W. Na and S. Huajun, "Object tracking method based on surf," AASRI Procedia,vol. 3, pp. 351-356, 2012.
[4] Y. Bar-Shalom, Tracking and data association: Academic Press Professional, Inc., 1987.
{5} عقیل عبیری، محمدرضا محزون، «ردیابی اهداف متحرک هوایی با استفاده از تخمین چگالی کرنل بر اساس الگوریتم فیلتر ذره»، مجله مهندسی برق دانشگاه تبریز، جلد 45، شماره 3، پاییز 1394.
[6] S. Avidan, "Ensemble tracking," Pattern Analysis and Machine Intelligence, IEEE Transactions on,vol. 29, no.2, pp. 261-271, 2007.
[7] C. Hua, H. Wu, Q. Chen and T. Wada, "K-means tracker: A general algorithm for tracking people," Journal of Multimedia,vol. 1, no.4, pp. 46-53, 2006.
[8] C. Hua, H. Wu, Q. Chen and T. Wada, "K-means Clustering Based Pixel-wise Object Tracking," IPSJ Online Transactions,vol. 1, pp. 66-79, 2008.
[9] A. S. Mian, "Realtime visual tracking of aircrafts," Techniques and Applications in Digital Image Computing, pp. 351-356, 2008.
[10] B. D. Lucas and T. Kanade, "An iterative image registration technique with an application to stereo vision," International Joint Conference on Artificial Intelligence, pp. 674-679, 1981.
[11] C. Tomasi and T. Kanade, Detection and tracking of point features: School of Computer Science, Carnegie Mellon Univ. Pittsburgh, 1991.
[12] J. Shi and C. Tomasi, "Good features to track," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 593-600, 1994
[13] Z. Kalal, K. Mikolajczyk and J. Matas, "Forward-backward error: Automatic detection of tracking failures," 20th International Conference on Pattern Recognition, pp. 2756-2759, 2010. 
[14] S. Baker and I. Matthews, "Lucas-kanade 20 years on: A unifying framework," International journal of computer vision,vol. 56, no.3, pp. 221-255, 2004.
[15] R. V. Babu, S. Suresh and A. Makur, "Online adaptive radial basis function networks for robust object tracking," Computer Vision and Image Understanding,vol. 114, no. 3, pp. 297-310, 2010.
[16] R. O. Duda, P. E. Hart and D. G. Stork, Pattern classification: John Wiley & Sons, 2012.
[17] D. Wang, H. Lu and M.-H. Yang, "Online object tracking with sparse prototypes," IEEE Transactions on Image Processing,vol. 22, no. 1, pp. 314-325, 2013.
[18] M. Anvaripour, R. S. Kandovan and S. Soltanpour, "Low distance airplanes detection and tracking visually using spectral residual and KLT composition," Information Systems & Telecommunication,vol. 3, no. 7, pp. 159-165, 2014.