رئیابی اهداف در تصاویر ویدیویی با استفاده از الگوریتم جابجایی میانگین

در این رساله، چندین ردیاب از جمله ردیاب جابجایی میانگین و ردیاب شبکه عصبی را که براساس ردیاب زمان-حقیقی جابجایی میانگین هستند، معرفی می نماییم. در ردیاب ها از پنجره مستطیلی برای توصیف شکل هدف استفاده شده، تعداد تکرارها محدود شده و به جای پردازش آرایه ای از پردازش پیشنهادی ضرب-جمع-انباشت استفاده شده است که در این حالت می توان تا چندین هدف را همزمان و زمان-حقیقی ردیابی کرد. دقت ردیاب بی تکرار همانند ردیاب اولیه است. هدف توسط هیستوگرام وزن دار شده با کرنل مکانی مدل سازی و تاثیر فضاهای رنگ در قدرت هیستوگرام بررسی می گردد. برای کاهش تاثیر اطلاعات پس زمینه که در هیستوگرام مرجع نفوذ می کنند، از روش اصلاح شده هیستوگرام وزن دار شده با پس زمینه استفاده شده که در آن از رابطه پیشنهادی خود استفاده کرده ایم. قابلیت کنترل ابعاد و دوران هدف نیز با استفاده از روش تجزیه ماتریس کوواریانس توسط svd به مقادیر ویژه اش امکان پذیر شده است. رابطه سطح اولیه هدف جدیدی را پیشنهاد داده ایم و ابعاد ناحیه جستجو نیز بطور پویا توسط رابطه ای پیشنهادی از روی ضریب باتاچاریا یا همبستگی تخمین زده می شود. روش ضرب-جمع-انباشت توانسته به شدت میزان بار محاسبات و حافظه الگوریتم را بکاهد. فیلتر ذره یک فیلتر تصادفی مونت کارلو-بیز است که می تواند مشکل همگرایی به بیشینه های محلی را مرتفع سازد اما از وجود بار محاسبات بسیار زیاد رنج می برد. ردیاب جابجایی میانگین-فیلتر ذره پیشنهادی توانسته در مرز زمان-حقیقی ردیابی کند که چندین برابر سریع تر از سایر مراجع است و دقت آن با دقت این مراجع برابری و رقابت می کند. مدل سازی جدیدی براساس تبدیل فوریه و کسینوسی دوبعدی ارائه شده و با استفاده از معیار مینیمم سازی تفاضل و جستجو در تصویر به روش های جامع متقارن و نمونه برداری شده متقارن ردیابی صورت می گیرد. همچنین ردیابی براساس ادغام ردیاب جابجایی میانگین با شبکه های عصبی دارای توابع اساسی شعاعی (به عنوان تابع فعالیت) ارائه کرده ایم. این ردیاب که زمان حقیقی است برای اولین بار از ویژگی هایی همچون مقادیر خاکستری، گرادیان، هیستوگرام، فرکانس مکانی، کنتراست محلی و میانگین محلی برای مدل سازی هدف استفاده می کند. ابعاد هدف بجای ضریب باتاچاریا، با استفاده از ضریب همبستگی محاسبه می شود. حداکثر تعداد تکرارهای جابجایی میانگین این ردیاب را به دو بار محدود کرده ایم. ویژگی ها توسط طبقه بند فازی دسته بندی و با کرنل ایپانشنیکوف به تابع چگالی احتمال نگاشت می شوند.