ردیابی شی متحرک در ویدیو با استفاده از الگوریتم بهینه‎ سازی ازدحام ذرات به صورت فازی

امروزه یکی از اساسی ترین فرآیندها به منظور ادراک محتوای ویدیو، ردیابی اشیا متحرک است که در آن فرآیند مکان یابی شی متحرک، در هر فریم از ویدئو صورت می گیرد. در یک فرآیند ردیابی لازم است، هدف توسط یک ویژگی توصیف شود. در این مقاله به منظور توصیف شی متحرک و رفع حساسیت به ظاهر هدف، از هیستوگرام وزن دار رنگ به عنوان ویژگی هدف متحرک استفاده شده است تا اثر پیکسل های لبه ی شی هدف در ویژگی آن کاهش داده شود. این کار حساسیت الگوریتم را به تغییر حالت، تغییر مقیاس و چرخش کاهش داده و اثر انسداد جزیی بر توصیف ویژگی هدف متحرک نیز کاهش می یابد. در روش پیشنهادی ، از الگوریتم بهینه‌سازی ازدحام ذرات به صورت فازی شده در فرآیند جستجوی هدف استفاده می شود. نحوه تعیین موقعیت هدف براساس بیشینه شدن تابع شباهت و محاسبه کمترین فاصله باتاچاریا است. پارامترهای کنترلی فازی شده برای الگوریتم بهینه سازی ازدحام ذرات استفاده شده است که یک روش نوین را ارائه می کند، این کار می تواند هر پارامتر کنترلی را به موقع و طبق حالات مختلف هر ذره در هر نسل تنظیم و به روزرسانی کند. الگوریتم ازدحام ذرات اصلاح شده توسط 11 تابع محک مورد ارزیابی قرار گرفته است. آزمایش ها نشان می دهند که الگوریتم اصلاح شده در تعداد تکرار پایین همگرایی بسیار مطلوبی را نتیجه می دهد. روش پیشنهادی در مقایسه با روش های پیشرفته و جدید به عملکرد خوبی در معیارهای دقت و نرخ موفقیت روی پایگاه داده otb50 دست یافته است.

Moving object tracking in video by using fuzzy particle swarm optimization algorithm

Nowadays, one of the most fundamental processes for realization video of contents is the object tracking, in which the process of location the moving object is performed in each video frame. In tracking process, the target must be described by a feature. In this paper, for the purpose of describing the target and removing the appearance sensitivity, the weighted color histogram is used as a target feature in order to reduce the effect of edge pixels on the target feature. This reduces the sensitivity of the algorithm to change deformation, scale variation and rotation, as well as the occlusion on the description of target feature. In the proposed method, particle swarm optimization algorithm has been used for search process. Maximization of the similarity function and calculating the minimum Bhattacharyya distance are used to determine target location. The fuzzy control parameters are used for the particle swarm optimization algorithm, which provides a novel method, which can regulate each control parameter and update according to the different states of each particle in each generation. The improved particle swarm algorithm is evaluated with 11 benchmark functions. The obtained results by improved algorithm show that appropriate convergence in a low number of iterations. The proposed method compared to stateoftheart methods provides high performance in the success and precision rate on the OTB50 dataset.