Motion based video object tracking with sparse regularization by particle filtering
Seyrek düzenlileştirme ve parçacık süzgeçleme ile}{videoda hareket tabanlı nesne takibi
- Tez No: 554365
- Danışmanlar: PROF. DR. BİLGE GÜNSEL KALYONCU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 87
Özet
Tez çalışmasında hedeflenen, seyreklik tabanlı bir gözlem modeline sahip parçacık süzgeci kullanılarak, video dizilerinde belirlenen bir nesnenin takip edilmesinin gerçekleştirilmesidir. Videoda nesne takibinin amacı, ilk video karesinde pozisyonu bilinen nesnenin takip eden video kareleri boyunca pozisyonunun belirlenmesidir. İşaret işleme ve bilgisayarla görü dallarında güncel bir araştırma konusu olan videoda nesne takibi, güvenlik, sağlık, insan-makine etkileşimi alanlarında birçok uygulamada gerek duyulan bir işlemdir.Temel alınan yöntemin geliştirilmesi için iki ana konu ele alınmıştır: i) parçacık süzgeci için yeni bir hareket modelinin önerilmesi ve ii) takip algoritmasının nesne tespit yöntemlerinden geri besleme alınarak iyileştirilmesi.Önerilen yöntem MATLAB ortamında gerçekelenerek, UAV ve VOT veri tabanlarındaki videolar üzerinde başarım testleri gerçekleştirilmiştir.Elde edilen sonuçlara göre önerilen yeni hareket modeli ile nesnenin video boyunca yöneliminin belirlenebildiği görülmüştür.
Özet (Çeviri)
Video object tracking is a very popular research topic for many applications in fields like video surveillance, human-computer interactions, and real-world object tracking for unmanned vehicles. The purpose of the single object tracking is to locate the object in each frame of a video sequence. This thesis proposes an object tracking method based on sparse representation of the target object within a particle filter framework. Within the particle filter framework, the problem is taken as a probabilistic estimation of a state vector associated with tracked parameters of the target object. In each step of the proposed method number of samples are drawn from a distribution representing the motion of the object which is called the motion model and each of these samples are evaluated with the sparsity-based observation model. Observation model is modeled by sparsely representing the object appearance by a dictionary matrix consisting of a set of target templates, which model the target object, and trivial templates, which model the noise associated with the object image. The main idea behind this approach is that appearance of a tracked object should be in the linear span of just a few target templates and a good sample proposed by the motion model can be reconstructed accurately by these templates with minimal noise. In the literature there are similar approaches to this problem, the novelty of the proposed method is twofold. Our first contribution is a new state vector consisting of translation, rotation, scaling and shearing parameters of the tracked object and associated motion model based on affine transformations that are generated from the state vector. It is demonstrated that the proposed state vector models the motion of the objects more realistically. Second contribution of the thesis is a deep detector guided dictionary re-initialization scheme which significantly increases the accuracy of the tracker over long video sequences. In particular it improves robustness of the tracker against occlusion and pose changes. The results obtained on well known UAV and VOT video databases demonstrate that the proposed model enables us to accurately track the motion parameters of the object and achieves comparable results with state-of-the-art trackers with the integrated dictionary re-initialization scheme.
Benzer Tezler
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Moving object tracking by regularization via sparsity in wide area aerial video
Hava aracından çekilmiş geniş alan videolarında seyreklik tabanlı regülarizasyon ile hareketli nesne takibi
ERDEM ONUR ÖZYURT
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Video object tracking with feedback of performance measures
Video nesnelerinin başarım geribeslemeli izlenmesi
ÇİĞDEM EROĞLU ERDEM
Doktora
İngilizce
2002
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET BÜLENT SANKUR
PROF. DR. EMİN ANARIM
- Mobil cihazlar ile derin öğrenme mimarisi kullanarak gerçek zamanlı video nesne izleme
Deep learning architectures for real-time video object tracking by mobile devices
ULAŞ TOSUN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Video dizilerinin dinamik telfileler yardımıyla imge tabanlı, hareket tabanlı ve şekil tabanlı sıkıştırılması
Başlık çevirisi yok
ERDAL ILGAZ
Yüksek Lisans
Türkçe
1999
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. ERTUĞRUL ÇELEBİ