ردیابی وفقی اجسام متحرک بر اساس الگوریتم ترکیبی بازنمونه برداریفیلترذره وmeanshift

در مقاله حاضر با ترکیب الگوریتمهای بازنمونهب رداری فیلترذره و meanshift روشی جدید به منظور ردیابی اهداف متحرک ارائه شده است. در تعقیب مقاوم یک جسم متحرک، هر دو الگوریتم فیلترذره و الگوریتم meanshift نتایج موفقی را دارند، اگرچه هر دوی آنها دارای نقاط ضعفی نیز هستند. در روش پیشنهادی، الگوریتم بازنمونهبرداری با تعداد مراحل وفقی، موقعیت اولیه هدف را در فریم جدید تخمین زده و پس از آن الگوریتم meanshift به تعیین دقیق موقعیت نهایی هدف می پردازد. درانتها نیز شعاع کرنل با استفاده از لبه یابی، بر تغییرات مدلهدف منطبق میشود. در مقایسه با الگوریتم بازنمونه برداری فیلترذره، روش پیشنهادی با دقت 97 درصدی به تخمین موقعیت جسم و غلبه بر مشکل انحطاط میپردازد. نتایج تجربی برروی تصاویر متوالی نشان میدهد که روش پیشنهادی این مقاله بطور پیوسته، بخصوص مواقعی که هدف، حرکت سریع و یا تصادفیداشته باشد عملکرد بهتری نسبت به الگوریتمهای ذکر شده دارد.

Tracking Moving Objects Using Adaptive Weighted Histogram Matching Algorithm Based on Particle Filter

Estimate the position of moving objects tracking is an important and Many algorithms have been proposed. In this paper, a method to estimate the position of moving objects by solving the Bayesian equations of nonlinear systems with nonGaussian distributed algorithm based on particle filter are offered. In this way will build the first target model of weighted histogram, Then applying random noise in the location of the first frame image, predicted the candidate particles in the next step and build a histogram weighted by the candidate particles and particles Start by Bhattacharya distance weighting on the similarity between the target model and candidate model particles and estimated the target position in the next frame by the resampling algorithm in the particle filter, Finally an adaptive target model update is performed, if necessary, based on the best model for particle similar to the target.