Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2021 - zeszyt 11

An improved real visual tracking system using particle filter

10.15199/48.2021.11.30

nr katalogowy: 134142
10.15199/48.2021.11.30

Streszczenie

This paper presents a real hybrid visual tracking system based on a special-color model of target with improving the performance of this designed visual tracking system using various linear and nonlinear estimators like Kalman filter and particle filter. Moreover, the whole system has been designed and implemented in the laboratory by fusing the tracking algorithm that was created utilizing python software with a moving camera sensor. In addition, the designed visual tracking system has been simple, low cost and achieved all stages of visual tracking process like target initialization, appearance modeling, movement estimation, and target positioning with a great success. Finally, the graphical analysis results of the designed system illustrated had a great illustration on the validity of utilizing particle filer was very efficient and clearer with maneuvering targets than that were used with Kalman filter

Abstract

W niniejszym artykule przedstawiono hybrydowy system śledzenia wizualnego oparty na modelu celu w specjalnej kolorystyce z poprawą wydajności tego zaprojektowanego systemu śledzenia wizualnego przy użyciu różnych liniowych i nieliniowych estymatorów, takich jak filtr Kalmana i filtr cząsteczkowy. Co więcej, cały system został zaprojektowany i wdrożony w laboratorium poprzez połączenie algorytmu śledzenia, który został stworzony przy użyciu oprogramowania Pythona z ruchomym czujnikiem kamery. Ponadto zaprojektowany system śledzenia wizualnego był prosty, tani i osiągnął z dużym sukcesem wszystkie etapy procesu śledzenia wizualnego, takie jak inicjalizacja celu, modelowanie wyglądu, szacowanie ruchu i pozycjonowanie celu. Wreszcie, wyniki analizy graficznej zilustrowanego zaprojektowanego systemu doskonale ilustrują zasadność wykorzystania filtra cząstek, który był bardzo wydajny i wyraźniejszy w przypadku celów manewrujących niż ten, który był używany z filtrem Kalmana. (Ulepszony rzeczywisty system śledzenia wizualnego za pomocą filtra cząstek).

Słowa kluczowe

Keywords

Bibliografia

1. Sun Y, Meng MQH. Multiple moving objects tracking for automated visual surveillance. In: 2015 IEEE international conference on information and automation. 2015; IEEE. pp. 1617–1621. 2. Chincholkar AA, Bhoyar MSA, Dagwar MSN. Moving object tracking and detection in videos using MATLAB: a review. Int J Adv Res Comput Electron. 2014;1(5):2348–5523. 3. Kang B, Liang D, Yang Z. Robust visual tracking via global context regularized locality-constrained linear coding. Optik. 2019;183:232–40. 4. Chaki J, Dey N, Shi F, Sherratt RS. Pattern mining approaches used in sensor-based biometric recognition: a review. IEEE Sens J. 2019; 19(10):3569–80. 5. Fan L, Wang Z, Cail B, Tao C, Zhang Z, Wang Y et al. A survey on multiple object tracking algorithm. In: 2016 IEEE international conference on information and automation (ICIA). IEEE; 2016. pp. 1855–1862. 6. Liu S, Feng Y. Real-time fast moving object tracking in severely degraded videos captured by unmanned aerial vehicle. Int J Adv Rob Syst. 2018; 15(1):1729881418759108. 7. J. Hariyono, V. Hoang, and K. Jo, "Moving Object Localization Using Optical Flow for Pedestrian Detection from a Moving Vehicle," Scientific World Journal, Vol. 2014, Article ID 196415, 2014. 8. Akpinar S, Alpaslan FN. Video action recognition using an optical flow based representation. In: Proceedings of the international conference on image processing, computer vision, and pattern recognition (IPCV) (p. 1). The Steering Committee of the World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp). 2014. 9. Acharjee S, Ray R, Chakraborty S, Nath S, Dey N. Watermarking in motion vector for security enhancement of medical videos. In: 2014 International conference on control, instrumentation, communication and computational technologies (ICCICCT). IEEE; 2014. pp. 532–537. 10. Acharjee S, Pal G, Redha T, Chakraborty S, Chaudhuri SS, Dey N. Motion vector estimation using parallel processing. In: International Conference on Circuits, Communication, Control and Computing. IEEE; 2014. pp. 231–236. 11. Dou J, Qin Q, Tu Z. Robust visual tracking based on generative and discriminative model collaboration. Multimed Tools Appl. 2017; 76(14):15839–66. 12. Chang, Dah-Chung, and Meng-Wei Fang. "Bearing-Only Maneuvering Mobile Tracking With Nonlinear Filtering Algorithms in Wireless Sensor Networks. “Systems Journal, IEEE Transactions on 8, no. 1 (2014): 160-170. 13. N. Mosto_, M. Elhabiby, and N. El-Sheimy, \Indoor localization and mapping using camera and inertial measurement unit (imu)," in Position, Location and Navigation Symposium- PLANS 2014, 2014 IEEE/ION. IEEE, 2014, pp. 1329-1335. 14. Dou J, Qin Q, Tu Z. Robust visual tracking based on generative and discriminative model collaboration. Multimed Tools Appl. 2017; 76(14):15839–66. 15. Kristan M, Matas J, Leonardis A, Felsberg M, Cehovin L, Fernandez G, et al. The visual object tracking vot2015 challenge results. In: Proceedings of the IEEE international conference on computer vision workshops. 2015. pp. 1–23. 16. Čehovin L, Leonardis A, Kristan M. Visual object tracking performance measures revisited. IEEE Trans Image Process.2016; 25(3):1261–74. 17. M. D. Jenkins, P. Barrie, T. Buggy, and G. Morison, “Selective sampling importance resampling particle filter tracking with multibag subspace restoration,” IEEE Trans. Cybern., vol. 48, no. 1, pp. 264–276,Jan. 2018. 18,. . Xiao, R. Stolkin, M. Oussalah, and A. Leonardis, “Continuously adaptive data fusion and model relearning for particle filter tracking with multiple features,” IEEE Sensors J., vol. 16, no. 8, pp. 2639–2649, Apr. 2016. 19. P. Li, D. Wang, L. Wang, and H. Lu, “Deep visual tracking: Review and experimental comparison,” Pattern Recognit., vol. 76, pp. 323–338, Apr. 2018. 20. Fiaz M, Mahmood A, Jung SK. Tracking noisy targets: a review of recent object tracking approaches. arXiv preprint arXiv :1802.03098 . 2018.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2021-11 , nr katalogowy 134142 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-11 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2021-11

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma