Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hệ thống theo dõi và nhận dạng đối tượng dựa trên đánh giá độ tin cậy của việc học trong môi trường di động
Tóm tắt
Bài báo này đề xuất một hệ thống theo dõi và nhận dạng đối tượng mới phù hợp với đánh giá độ tin cậy của việc học trong môi trường di động. Phương pháp được đề xuất dựa trên theo dõi không cần dấu vết (marker-less tracking), và hệ thống này được cấu thành từ hai mô-đun chính (phát hiện và theo dõi). Mô-đun phát hiện xác định một đối tượng cần được khớp với khung hình hiện tại tương ứng với cơ sở dữ liệu, và sau đó tạo ra thông tin về đối tượng tiêu chuẩn có độ tin cậy học tập tốt nhất. Mô-đun này có khả năng phát hiện lại đối tượng khi đối tượng không có mặt trong khung hình. Mô-đun theo dõi theo dấu đối tượng quan tâm dựa trên thông tin đối tượng đã được trích xuất bằng các điểm đặc trưng, mô tả, cửa sổ con của đối tượng và biểu đồ tần suất. Thêm vào đó, mô-đun này cố gắng chọn đối tượng tin cậy giữa đối tượng được theo dõi bằng Camshift và đối tượng được theo dõi bằng quỹ đạo quang học (Optical flow). Kết quả thử nghiệm cho thấy phương pháp được đề xuất có độ bền hơn so với các phương pháp truyền thống, và có khả năng nhận dạng và theo dõi các đối tượng quan tâm với đánh giá độ tin cậy của việc học cho việc sử dụng trong môi trường di động.
Từ khóa
#theo dõi đối tượng #nhận dạng đối tượng #đánh giá độ tin cậy #môi trường di độngTài liệu tham khảo
Kalal, Z., Mikolajczyk, K., & Matas, J. (2012). Tracking-learning-detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(7), 1409–1422.
Babenko, B., Yang, M.-H., & Belongie, S. (2011). Robust object tracking with online multiple instance learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 33(8), 1619–1632.
Yilmaz, A., Javed, O., & Shah, M. (2006). Object tracking: A survey. ACM Computing Surveys, 38(4), 13.
Ross, D. A., Lim, J., Lin, R.-S., & Yang, M.-H. (2008). Incremental learning for robust visual tracking. International Journal of Computer Vision, 77(1), 125–141.
Maresca, M. E., & Petrosino, A. (2014). The Matrioska tracking algorithm on LTDT2014 dataset. In IEEE conference on computer vision and pattern recognition workshops (pp. 720–725).
Huijuan, Z., & Qiong, H. (2011). Fast image matching based-on improved SURF algorithm. In International conference on electronics, communications and control (pp. 1460–1463).
Brown, M., & Lowe, D. (2002). Invariant features from interest point groups. In Proceedings of the British machine vision conference (pp. 1–10).
Har-Peled, S., Indyk, P., & Motwani, R. (2012). Approximate nearest neighbor: Towards removing the curse of dimensionality. Theory of Computing, 8, 321–350.
Cen, W., & Miao, K. (2015). An improved algorithm for locality-sensitive hashing. In International conference on computer science & education (pp. 61–64).
Juan, L., & Gwun, O. (2009). A comparison of SIFT, PCA-SIFT and SURF. International Journal of Image Processing, 3(4), 143–152.
Ha, S.-W., & Moon, Y.-H. (2011). Multiple object tracking using SIFT features and location matching. International Journal of Smart Home, 5(4), 17–26.
Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60(2), 91–110.
Stommel, M. (2010). Binarising SIFT-descriptors to reduce the curse of dimensionality in histogram-based object recognition. International Journal of Signal Processing, Image Processing and Pattern Recognition, 3(1), 25–36.
Du, M., Wang, J., Li, J., Cao, H., Cui, G., Fang, J., Lv, J., & Chen, X. (2013). Robot robust object recognition based on fast SURF feature matching. In Chinese automation congress (pp. 581–586).
Wang, J., He, F., Zhang, X., & Gao, Y. (2010). Tracking objects through occlusions using improved Kalman filter. International Conference on Advanced Computer Control, 5, 223–228.
Huang, K., Wang, L., Tan, T., & Maybank, S. (2008). A real-time object detecting and tracking system for outdoor night surveillance. Pattern Recognition, 41(1), 432–444.
Zhou, Z., Dichong, W., Peng, Z., Zhu, Z., & Luo, K. (2014). Object tracking based on camshift with multi-feature fusion. Journal of Software, 9(1), 147–153.
Leichter, I., Lindenbaum, M., & Rivlin, E. (2010). Mean shift tracking with multiple reference color histograms. Computer Vision and Image Understanding, 114(3), 400–408.
Kloihofer, W., & Kampel, M. (2010). Interest point based tracking. In International conference on pattern recognition (pp. 3549–3552).
Francois, A. R. J. (2004). CAMSHIFT tracker design experiments with Intel OpenCV and SAI. In International conference on pattern recognition (pp. 1–11).
Oron, S., Bar-Hillel, A., Levi, D., & Avidan, S. (2014). Locally orderless tracking. International Journal of Computer Vision, 111(2), 213–228.