یک فیلتر ذره ای مبتنی بر بازنمونه برداری ژنتیک با ایده کاهش ابعاد تصویر جهت ردیابی اجسام متحرک (KBEI-2016)

ردیابی اهداف تصویری یکی از زمینه های فعال درحوزه بینایی ماشین است. در این راستا استفاده از روش فیلتر ذرهای در سالهای اخیر نتایج قابل توجهی داشته است. فیلتر ذرهای مبتنی بر احتمال بیزین و چارچوب زنجیره مونتو کارلو است. در این مقاله یک فیلتر ذرهای مبتنی بر بازنمونه برداری ژنتیک با ایده کاهش ابعاد تصویر جهت ردیابی اجسام متحرک ارائه شده است. در این روش کاربر با شروع دنباله تصاویر، هدف مورد نظر را با استفاده از یک مستطیل صلب در فریم اول انتخاب میکند سپس نقطه مرکزی هدف به صورت خودکار با پردازش سریع اولین فریم محاسبه میشود. پس از آن تعداد 22 ذره در داخل مستطیل صلب پراکنده میشوند که هر ذره ویژگیهای بافت و رنگ را با تشکیل پنجرهای به مرکزیت خودش از تصویر دریافت میکند. سپس وزن ذرات با استفاده از فاصله باتاچاریا محاسبه میشوند. در مرحله بازنمونه برداری، الگوریتم ژنتیک با استفاده از نقطه بهینه سراسری و امتیازهای آخرین نسل، حالت شیء )نقطه مرکزی جدید( را تخمین می زند. سپس مرکز مستطیل صلب به نقطه جدید انتقال داده میشود و ذرات اطراف نقطه جدید پراکنده میشود. مراحل فوق برای تمام فریم ها تکرار میشوند. به عنوان نوآوری در این تحقیق از ایده کاهش ابعاد هدف و تصویر استفاده شده است. با کاهش ابعاد تصویر، ابعاد هدف کاهش مییابد و این امر سبب کاهش تعداد ذرات، زمان پردازش هر فریم و افزایش سرعت ردیابی میشود. نتایج آزمایشها نشان میدهد که فیلتر ذرهای مبتنی بر بازنمونه برداری ژنتیک در رویارویی با چالشهای ردیابی شامل همپوشانی جزئی، تغییرات روشنایی، تغییرات مقیاس شیء، پس زمینه پیچیده، تشابه رنگ هدف و پس زمینه با تعداد ذرات کمتری از هر دو جنبه دقت و سرعت ردیابی بسیار بهتر عمل کرده و نشان میدهد که روش ترکیبی پیشنهادی عملکرد بهتری نسبت به فیلتر ذره دارد.

Keywords:

الگوریتم ژنتیک , بازنمونه برداری , ردیابی شیء , فقر نمونه , فیلتر ذره ای و کاهش ابعاد.