الگوریتم ردیابی یادگیری تشخیص بهبود داده شده جهت نرخ قاب پایین

الگوریتم ردیابی یادگیری تشخیص (tld) سنتی، نسبت به چالش هایی همچون تغییرات روشنایی، کلاترها و نرخ قاب پایین بسیار حساس بوده و باعث خطا در ردیابی هدف می گردد. در راستای غلبه بر این مشکلات و بهبود مقاومت الگوریتم، معماری الگوریتم ردیابی یادگیری تشخیص با ترکیب الگوریتم انتقال متوسط و الگوریتم یادگیری نیمه نظارتی هم یادگیری، بهبود داده شده است. این ساختار در شرایط نرخ قاب پایین نتایج بهتری را نتیجه می دهد و مقاومت و دقت الگوریتم را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص افزایش می دهد. زیرا الگوریتم ردیابی انتقال متوسط نسبت به چرخش، موانع جزئی، تغییرات اندازه مقاوم بوده و به سادگی اجرا شده و به محاسبات کمی نیاز دارد. از طرف دیگر الگوریتم یادگیری نیمه نظارتی هم یادگیری با دو طبقه بند مستقل می تواند تغییرات ویژگی های هدف را به خوبی آموزش ببیند. بنابراین، ساختار توسعه داده شده می تواند مشکل گم کردن هدف را در شرایط وجود همزمان نرخ قاب پایین و چالش های دیگر حل نماید. نهایتا، ارزیابی مقایسه ای روش پیشنهادی با الگوریتم های معروف ردیابی بر روی سناریوهای مختلف از پایگاه داده مشهور tb 100، حاکی از عملکرد برتر روش پیشنهادی در مقایسه با سایر روش ها از لحاظ مقاومت و پایداری است. نهایتا ساختار پیشنهادی بر اساس معماری ردیابی یادگیری تشخیص در ویدیوهایی با چالش های مختلف ذکر شده به طور متوسط حدود 33 درصد نتایج را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص بهبود خواهد بخشید.

an improved tracking learning detection algorithm for low frame rate

the conventional tracking learning detection (tld) algorithm is sensitive to illumination change and clutter and low frame rate and results in drift even missing. to overcome these shortcomings and increase robustness, by improving the tld structure via integrating mean shift and co training learning can be achieved better results undergo low frame rate (lfr) condition and the robustness and accuracy tracking of the tld structure increases. because of, the mean shift tracking algorithm is robust to rotation, partial occlusion and scale changing and it is simple to implement and takes less computational time. on the other, the co training learning algorithm with two independent classifiers can learn changes of the target features in during the online tracking process. therefore, the extended structure can solve the problem of lost object tracking in lfr videos and other challenges simultaneously. finally, comparative evaluations of the proposed method to other top state of the art tracking algorithms under the various scenarios from the tb 100 known dataset, demonstrate the superior performance of the proposed algorithm compared to other tracking algorithms in terms of tracking robustness and stability performance. finally, the proposed structure based on the tld architecture, in scenarios with the various challenges mentioned, will improve on average about 33% of the results, compared to the traditional tld algorithm.