Geri Dön

Motion based video object tracking with sparse regularization by particle filtering

Seyrek düzenlileştirme ve parçacık süzgeçleme ile}{videoda hareket tabanlı nesne takibi

  1. Tez No: 554365
  2. Yazar: BARIŞ AKOK
  3. Danışmanlar: PROF. DR. BİLGE GÜNSEL KALYONCU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. 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

  1. 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

    Türkçe

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL KALYONCU

  2. 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

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL KALYONCU

  3. Video object tracking with feedback of performance measures

    Video nesnelerinin başarım geribeslemeli izlenmesi

    ÇİĞDEM EROĞLU ERDEM

    Doktora

    İngilizce

    İngilizce

    2002

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET BÜLENT SANKUR

    PROF. DR. EMİN ANARIM

  4. 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

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL KALYONCU