شبیه سازی تشخیص و ردیابی اشیا ویدئو با ترکیب فیلتر کالمن و الگوریتم جریان نوری با متلب

توضیحات

شبیه سازی تشخیص و ردیابی اشیا در تصاویر ویدئویی با استفاده از ترکیب روش فیلتر کالمن و الگوریتم جریان نوری با متلب

یکی از چالش‌های مهم در زمینه یادگیری ماشین، مسئله ردیابی اشیا است. ردیابی اشیا به معنی تشخیص تغییرات و دنبال کردن آن در دنباله تصاویر ویدئویی است. از جمله اهداف مهم در زمینه ردیابی اشیا را می‌توان در مسائل نظامی، دوربین‌های کنترل ترافیک، مسائل امنیتی فروشگاه‌ها و معابر اشاره کرد. یادگیری ماشین سعی دارد که با استفاده از الگوریتم‌های مناسب، ردیابی اشیا در تصاویر ویدئویی را به صورت خودکار انجام دهد. در این گزارش سعی شده است که مسئله تشخیص و ردیابی اشیا در تصاویر ویدئویی را با استفاده از ترکیب روش فیلتر کالمن و الگوریتم جریان نوری انجام دهیم. در فاز اول به تشخیص اشیا داخل یک تصویر می‌پردازیم و در فاز بعدی و با توجه به دنباله مشاهدات ممکن و با استفاده از الگوریتم‌های ترکیبی بی نظارت و مبتنی بر الگوی فیلتر کالمن و جریان نوری سعی در تشخیص حرکت این اشیا در تصویر داریم. الگوریتم جریان نوری را به این جهت به روش فیلتر کالمن اضافه نموده‌ایم که بتوانیم تشخیص اشیا را با دقت بالاتری تخمین بزنیم. در روش جریان نوری از الگوریتم مشهور لوکاس کاناده استفاده کرده‌ایم و نتایج خود را روی دیتاست مربوط به موسسه تحقیقاتی کارلسروها و شرکت تویوتا ارائه داده‌ایم.

 الگوریتم کالمن در دو فاز اجرا می‌شود. در فاز اول که فاز پیش‌بینی نام دارد، فیلتر یک تخمینی از وضعیت فعلی متغیرها در شرایط عدم قطعیت ارائه می‌کند. هرگاه نتیجه تخمین بعدی به دست می‌آید، تخمین یا تخمین‌های قبلی با میانگین وزن‌دار به‌روزرسانی می‌شوند و با این مکانیسم اطلاعاتی که درجه اطمینان بیشتری دارند، وزن بیشتری خواهند گرفت. این الگوریتم به صورت بازگشتی است و هنگامی که ورودی جدید به این الگوریتم داده می‌شود، می‌تواند به صورت بلادرنگ و با توجه به حالات تخمین زده شده قبلی و ورودی‌های جدید، پردازش‌های لازم را انجام دهد. نکته مهم در مورد فیلتر کالمن این است که فرض این فیلتر این است که ورودی‌ها و توزیع احتمال آن‌ها بر پایه توزیع مخلوط گاوسی است. هر چند ممکن است چنین فرضی صحیح نباشد ولی می‌توان ادعا کرد که توزیع مخلوط گاوسی می‌تواند با دقت مناسبی هر توزیعی را مدل کند [19] . از روش‌های دیگری که جابجایی‌ها تصویر را کشف می‌کند می‌توان به الگوریتم شار نوری لوکاس-کاناده اشاره کرد که با روابط ریاضی کاملاً ساده سعی در تشخیص جابجایی‌ها افقی، عمودی و زمانی را دارد [20].

ردیابی اشیا متحرک در فایل‌های ویدئویی یکی از چالش‌های مهم در مسائل یادگیری ماشین است که امروزه کاربردهای فراوانی در مسائل نظامی، ترافیکی و امنیتی دارد. از مهم‌ترین الگوریتم‌های ردیابی بدون ناظر و مبتنی بر الگو، فیلتر کالمن است. این روش سرعت بالا و دقت مناسبی دارد. شار نوری نیز یکی از این روش‌هاست که می‌تواند با محاسبات ریاضی ساده، بردارهایی از حرکت اجسام در فریم‌های متوالی را به دست آورد. در این گزارش روش‌های فیلتر کالمن و شار نوری را با هم ترکیب کرده‌ایم تا عملکرد ردیابی اشیا را بهبود بخشیم. در نتایج به دست آمده از پیاده‌سازی‌ها مشاهده شد که دقت روش ترکیبی 67.63% بوده است که نسبت به روش فیلتر کالمن حدود 5.5% افزایش داشته است.

شبیه سازی تشخیص و ردیابی اشیا در تصاویر ویدئویی با استفاده از ترکیب روش فیلتر کالمن و الگوریتم جریان نوری با متلب

شبیه سازی تشخیص و ردیابی اشیا در تصاویر ویدئویی با استفاده از ترکیب روش فیلتر کالمن و الگوریتم جریان نوری با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.