نشریه علمی شهر ایمن

نشریه علمی شهر ایمن

ردگیری بلادرنگ ویدئویی اشیا با استفاده از الگوریتم Kernel Base Object Tracking اصلاح‌شده با قابلیت شناسایی دقیق‌تر در محصولات امنیتی و نظارتی

نوع مقاله : مقاله پژوهشی

نویسنده
مجید شاکری
گروه برق، واحد شهریار، دانشگاه آزاد اسلامی، شهریار، ایران
10.22034/ispdrc.2021.696745
چکیده
یکی از زمینه‌های کاربرد بینایی ماشین، ردیابی شیء متحرک می‌باشد. ردیابی شیء متحرک به صورت بلادرنگ فرآیندی است که طی آن موقعیت یک شیء متحرک در هر لحظه از زمان تعیین می‌شود. بدین منظور در این مقاله با یک رویکرد عملی که منجر به تولید محصول و با استفاده از کتابخانه OpenCV‌ در محیط برنامه‌نویسی Visual C++ می‌شود، تلاش شده است تا یک شیء را در فریم‌های متوالی و با استفاده از یک دوربین Pan Tilt Zoom‌ که دوربینی با یک پلتفرم دو درجه آزادی است، به صورت بلادرنگ ردگیری شود. لذا با توجه به این که هدف از این تحقیق پیاده‌سازی فرمول‌های ریاضی و مطالب ارائه‌شده به کدهایی است که به راحتی قابل استفاده در محصولات نظارتی و امنیتی باشند به بررسی یک الگوریتم مبتنی بر هیستوگرام به نام Kernel Base Object Tracking ‌پرداخته و عملکرد آن با الگوریتم‌ پرکاربرد Normalized Cross Correlation که مبتنی بر ضریب همبستگی آماری می‌باشد، مقایسه شده است. و مشخص گردید که عملکرد الگوریتم ‌  Kernel Baseبرای نشان دادن شیء مورد تعقیب با محیط پس‌زمینه کاملاً متمایز بسیار بهتر از الگوریتم Normalized شده می‌باشد.
کلیدواژه‌ها
بینایی ماشین
ردگیری بلادرنگ ویدیویی
الگوریتم Kernel Base Object Tracking
الگوریتم
Normalized Cross Correlation

عنوان مقاله English

Real-time video tracking of objects using modified Kernel Base Object Tracking algorithm with more accurate detection capability in security and surveillance products

نویسنده English

Majid Shakeri
Electrical Department, Shahriar Branch, Islamic Azad University, Shahriar, Tehran, Iran (Corresponding Author)
چکیده English

One of the fields of visual observation is the moving object tracking machine .Detection of a
moving object is a real-time process in which the position of an animated object is determined at
any time .For this purpose, in this article, we tried to work with a practical approach and result in
the production of the product and using the OpenCV library in the Visual C ++ programming
environment to try to create an object in successive frames using a Pan Tilt Zoom camera, a
camera with a platform Two degrees of freedom are tracked promptly .Also, in this paper, we
investigate a histogram based on the Kernel Base Object Tracking algorithm and its performance
is compared with the Normalized Cross Correlation algorithm based on the statistical correlation
coefficient .The purpose of this article is to translate mathematical formulas and materials into
codes that are easy to use in surveillance and security.

کلیدواژه‌ها English

Machine Vision
Real-time video tracking
Kernel Base Object Tracking Algorithm
[1] Klette, R. (2014). An Introduction into Theory and Algorithms, Springer-Verlag Concise Computer
Vision.
[2]Comaniciu, D. & et al, (2003). Kernel-based Object Tracking, IEEE Trans. Pattern Anal. Machine Intell.
[3] Elgammal, A. & et al, (2003). Efficient Kernel Density Estimation Using the Fast Gauss Transform with
Applications to Color Modeling and Tracking, IEEE Transactions on Pattern Analysis and Machine
Intelligence.
[4]Chang, C. & Ansari, R. (2005). Kernel Particle Filter for Visual Tracking, IEEE Signal Processing Letters.
[5] Yilmaz, A. (2007). Object Tracking by Asymmetric Kernel Mean Shift with Automatic Scale and Orientation
Selection, IEEE Conference on Computer Vision and Pattern Recognition.
[6]Caseiro, R. & et al, (2015). High-Speed Tracking with Kernelized Correlation Filters, IEEE Transactions
on Pattern Analysis and Machine Intelligence.
[7]Venkatesh Babua, R. & Pérez, P. (2007). Robust Tracking With Motion Estimation And Local Kernel-Based
Color Modeling, Image and Vision Computing.
[8]Wu, Yi & et al, (2013). Online Object Tracking: A Benchmark, IEEE Conference on Computer Vision and
Pattern Recognition (CVPR).
[9] Porikli, F. , (2005). Multi-Kernel Object Tracking, IEEE International Conference on Multimedia and
Expo.
[10] Jeyakara, J. & VenkateshBabu, R. (2008). Robust Object Tracking with Background-Weighted Local
Kernels, Computer Vision and Image Understanding.
[11] Wesley, E. S. & Hairong, Q. (2004). Machine Vision, Cambridge University Press.
[12] Briechle, K. Template Maching using Fast Normalized Cross Corralation, Institude of Automatic Control
Engineering ,Technical University Munchen, Germany.
[13] The OpenCV Reference Manual, Release 2. 4. 3