دوره 14، شماره 4 - ( مجله کنترل، جلد 14، شماره 4، زمستان 1399 )                   جلد 14 شماره 4,1399 صفحات 67-79 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rohani M, farsi H, Zahiri mamghani S H. Moving object tracking in video by using fuzzy particle swarm optimization algorithm. JoC. 2021; 14 (4) :67-79
URL: http://joc.kntu.ac.ir/article-1-672-fa.html
روحانی مهرداد، فرسی حسن، ظهیری ممقانی سید حمید. ردیابی شی متحرک در ویدیو با استفاده از الگوریتم بهینه‎ سازی ازدحام ذرات به صورت فازی. مجله کنترل. 1399; 14 (4) :67-79

URL: http://joc.kntu.ac.ir/article-1-672-fa.html


1- گروه مخابرات،دانشکده برق و کامپیوتر، دانشگاه بیرجند،بیرجند، ایران
چکیده:   (2081 مشاهده)
امروزه یکی از اساسی‎ترین فرآیندها به منظور ادراک محتوای ویدیو، ردیابی اشیا متحرک است که در آن فرآیند مکان‎یابی شی متحرک، در هر فریم از ویدئو صورت می‎گیرد. در یک فرآیند ردیابی لازم است، هدف توسط یک ویژگی توصیف شود. در این مقاله بهمنظور توصیف شی متحرک و رفع حساسیت به ظاهر هدف، از هیستوگرام وزن‎دار رنگ بهعنوان ویژگی هدف متحرک استفاده شده است تا اثر پیکسل‎های لبه‎ی شی هدف در ویژگی آن کاهش داده شود. این کار حساسیت الگوریتم را به تغییر حالت، تغییر مقیاس و چرخش کاهش داده و اثر انسداد جزیی بر توصیف ویژگی هدف متحرک نیز کاهش می‎یابد. در روش پیشنهادی ، از الگوریتم بهینه‌سازی ازدحام ذرات به صورت فازی شده در فرآیند جستجوی هدف استفاده می‎شود. نحوه تعیین موقعیت هدف براساس بیشینه شدن تابع شباهت و محاسبه کمترین فاصله باتاچاریا است. پارامترهای کنترلی فازی شده برای الگوریتم بهینه‎سازی ازدحام ذرات استفاده شده است که یک روش نوین را ارائه می‎کند، این کار می‎تواند هر پارامتر کنترلی را به موقع و طبق حالات مختلف هر ذره در هر نسل تنظیم و به روزرسانی کند. الگوریتم ازدحام ذرات اصلاح شده توسط 11 تابع محک مورد ارزیابی قرار گرفته است. آزمایش‎ها نشان می‎دهند که الگوریتم اصلاح شده در تعداد تکرار پایین همگرایی بسیار مطلوبی را نتیجه می‎دهد. روش پیشنهادی در مقایسه با روش‎های پیشرفته و جدید به عملکرد خوبی در معیارهای دقت و نرخ موفقیت روی پایگاه داده OTB50 دست یافته است.
متن کامل [PDF 1034 kb]   (226 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1398/3/5 | پذیرش: 1398/11/16 | انتشار الکترونیک پیش از انتشار نهایی: 1399/7/14 | انتشار: 1399/12/1

فهرست منابع
1. [1] M. Swathy, P. Nirmala and P. Geethu, "Survey on vehicle detection and tracking techniques in video surveillance", International Journal of Computer Applications, vol. 160, no. 7, pp. 22-28, 2017. [DOI:10.5120/ijca2017913086]
2. [2] I. Pham and M. Polasek, "Algorithm for military object detection using image data", IEEE/AIAA 33rd Digital Avionics Systems Conference (DASC), pp. 1-15, 2014. [DOI:10.1109/DASC.2014.6979457]
3. [3] A. Yilmaz, O. Javed and M. Shah, "Object tracking: A survey", Acm computing surveys (CSUR), vol. 38, no. 4, pp. 13-20, 2006. [DOI:10.1145/1177352.1177355]
4. [4] B. Zhuang, H. Lu, Z. Xiao, and D. Wang, "Visual tracking via discriminative sparse similarity map", IEEE Transactions on Image Processing, vol. 23, no. 4, pp. 1872-1881, 2014. [DOI:10.1109/TIP.2014.2308414]
5. [5] H. Farsi, "Improvement of minimum tracking in minimum statistics noise estimation method", Signal Processing: An International Journal (SPIJ), vol. 4, no. 1, pp. 17-25, 2010.
6. [6] J. F. Henriques, R. Caseiro, P. Martins and J. Batista, "Exploiting the circulant structure of tracking-by-detection with kernels", European conference on computer vision, pp. 702-715, 2012. [DOI:10.1007/978-3-642-33765-9_50]
7. [7] J. F. Henriques, R. Caseiro, P. Martins and J. Batista, "High-speed tracking with kernelized correlation filters", IEEE Transactions on pattern analysis and machine intelligence, vol. 37, no. 3, pp. 583-596, 2015. [DOI:10.1109/TPAMI.2014.2345390]
8. [8] S. Hare et al., "Struck: Structured output tracking with kernels", IEEE Transactions on pattern analysis and machine intelligence, vol. 38, no. 10, pp. 2096-2109, 2016. [DOI:10.1109/TPAMI.2015.2509974]
9. [9] Z. Kalal, K. Mikolajczyk and J. Matas, "Tracking-learning-detection", IEEE Transactions on pattern analysis and machine intelligence, vol. 34, no. 7, pp. 1409-1422, 2012. [DOI:10.1109/TPAMI.2011.239]
10. [0] M. Danelljan, G. Häger, F. S. Khan and M. Felsberg, "Discriminative scale space tracking," IEEE transactions on pattern analysis and machine intelligence, vol. 39, no. 8, pp. 1561-1575, 2017. [DOI:10.1109/TPAMI.2016.2609928]
11. [1] K. Zhang, L. Zhang, Q. Liu, D. Zhang and M. Yang, "Fast visual tracking via dense spatio-temporal context learning", European conference on computer vision, pp. 127-141, 2014. [DOI:10.1007/978-3-319-10602-1_9]
12. [2] D. S. Bolme, J. R. Beveridge, B. A. Draper and Y. M. Lui, "Visual object tracking using adaptive correlation filters", IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2544-2550, 2010. [DOI:10.1109/CVPR.2010.5539960]
13. [3] M. Danelljan, G. Häger, F. Khan and M. Felsberg, "Accurate scale estimation for robust visual tracking", British Machine Vision Conference, pp. 1-5, 2014. [DOI:10.5244/C.28.65]
14. [4] M. Gao, X. He, D. Luo, J. Jiang and Q. Teng, "Object tracking using firefly algorithm", IET Computer Vision, vol. 7, no. 4, pp. 227-237, 2013. [DOI:10.1049/iet-cvi.2012.0207]
15. [5] N. Hussain, A. Khan, S. G. Javed and M. Hussain, "Particle swarm optimization based object tracking using HOG features", IEEE 9th International Conference on Emerging Technologies (ICET), pp. 1-6, 2013. [DOI:10.1109/ICET.2013.6743516]
16. [6] F. Sha, C. Bae, G. Liu, X. Zhao, Y. Chung and W. Yeh, "A categorized particle swarm optimization for object tracking", IEEE Congress on Evolutionary Computation (CEC), pp. 2737-2744, 2015. [DOI:10.1109/CEC.2015.7257228]
17. [7] C. Bae, K. Kang, G. Liu and Y. Chung, "A novel real time video tracking framework using adaptive discrete swarm optimization", Expert Systems with Applications, vol. 64, no. 1, pp. 385-399, 2016. [DOI:10.1016/j.eswa.2016.08.027]
18. [8] J. Kennedy, "Particle swarm optimization", Encyclopedia of machine learning, pp. 760-766, 2010.
19. [9] S. Mirjalili, A. Gandomi, S. Z. Mirjalili, S. Saremi, H. Faris and S. M. Mirjalili, "Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems", Advances in Engineering Software, vol. 114, pp. 163-191, 2017. [DOI:10.1016/j.advengsoft.2017.07.002]
20. [20] S. Mirjalili and A. Lewis, "The whale optimization algorithm", Advances in engineering software, vol. 95, pp. 51-67, 2016. [DOI:10.1016/j.advengsoft.2016.01.008]
21. [21] S. Mirjalili, "SCA: a sine cosine algorithm for solving optimization problems", Knowledge-Based Systems, vol. 96, pp. 120-133, 2016. [DOI:10.1016/j.knosys.2015.12.022]
22. [22] J. Kennedy and R. Eberhart, "Particle swarm optimization (PSO)", IEEE International Conference on Neural Networks, Perth, Australia, pp. 1942-1948, 1995.
23. [23] Y. Shi and R. Eberhart, "A modified particle swarm optimizer", IEEE international conference on evolutionary computation proceedings world congress on computational intelligence (Cat. No. 98TH8360), pp. 69-73, 1998.
24. [24] A. Chatterjee and P. Siarry, "Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimization", Computers and operations research, vol. 33, no. 3, pp. 859-871, 2006. [DOI:10.1016/j.cor.2004.08.012]
25. [25] H. Zhu, C. Zheng, X. Hu and X. Li, "Adaptive PSO using random inertia weight and its application in UAV path planning", Seventh International Symposium on Instrumentation and Control Technology: Measurement Theory and Systems and Aeronautical Equipment, vol. 7128, p. 712814-712819, 2008. [DOI:10.1117/12.806636]
26. [26] T. Niknam, "A new fuzzy adaptive hybrid particle swarm optimization algorithm for non-linear, non-smooth and non-convex economic dispatch problem", Applied Energy, vol. 87, no. 1, pp. 327-339, 2010. [DOI:10.1016/j.apenergy.2009.05.016]
27. [27] Y. Maldonado, O. Castillo and P. Melin, "Particle swarm optimization of interval type-2 fuzzy systems for FPGA applications", Applied Soft Computing, vol. 13, no. 1, pp. 496-508, 2013. [DOI:10.1016/j.asoc.2012.08.032]
28. [28] T. Krzeszowski and K. Wiktorowicz, "Evaluation of selected fuzzy particle swarm optimization algorithms", Federated Conference on Computer Science and Information Systems (FedCSIS), pp. 571-575, 2016. [DOI:10.15439/2016F206]
29. [29] F. Olivas, L. Amador-Angulo, J. Perez, C. Caraveo, F. Valdez and O. Castillo, "Comparative study of type-2 fuzzy particle swarm, bee colony and bat algorithms in optimization of fuzzy controllers", Algorithms, vol. 10, no. 3, p. 101-128, 2017. [DOI:10.3390/a10030101]
30. [30] F. Valdez, J. C. Vazquez and F. Gaxiola, "Fuzzy dynamic parameter adaptation in ACO and PSO for designing fuzzy controllers: the cases of water level and temperature control", Advances in Fuzzy Systems, vol. 2018, no. 1, pp. 1-19, 2018. [DOI:10.1155/2018/1274969]
31. [31] B. Borowska, "Nonlinear inertia weight in particle swarm optimization", 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT), vol. 1 ,pp. 296-299, 2017. [DOI:10.1109/STC-CSIT.2017.8098790]
32. [32] C. Du, Z. Yin, Y. Zhang, J. Liu, X. Sun and Y. Zhong, "Research on active disturbance rejection control with parameter autotune mechanism for induction motors based on adaptive particle swarm optimization algorithm with dynamic inertia weight", IEEE Transactions on Power Electronics, vol. 34, no. 3, pp. 2841-2855, 2019. [DOI:10.1109/TPEL.2018.2841869]
33. [33] M. Swain and D. Ballard, "Color indexing", Computer Vision, vol. 7, no. 1, pp. 11-32, 1991. [DOI:10.1007/BF00130487]
34. [34] D. Zhang, J. Zhang and C. Xia, "Multi-complementary model for long-term tracking", Sensors, vol. 18, no. 2, pp. 527-552, 2018. [DOI:10.3390/s18020527]
35. [35] L. Luo and X. Fan, "Immune particle filter algorithm for target tracking based on histograms of color and oriented gradient", Optical Sensing and Imaging Technology and Applications, vol. 10462, pp. 104622Q, 2017.
36. [36] A. Sharma, A. Malik and R. Rohilla, "A robust mean shift integrating color, GLCM based texture features and frame differencing", International Journal of Scientific and Engineering Research, vol. 7, no. 2, pp. 1386-1398, 2016.
37. [37] Y. Wu, J. Lim and M. Yang, "Online object tracking: A benchmark", IEEE Computer vision and pattern recognition (CVPR), pp. 2411-2418, 2013. [DOI:10.1109/CVPR.2013.312]
38. [38] J. Ning, J. Yang, S. Jiang, L. Zhang and M. Yang, "Object tracking via dual linear structured SVM and explicit feature map", Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 4266-4274, 2016. [DOI:10.1109/CVPR.2016.462]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله کنترل می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2021 CC BY-NC 4.0 | Journal of Control

Designed & Developed by : Yektaweb