آمار

تعداد نشریات36
تعداد شماره‌ها1,208
تعداد مقالات8,740
تعداد مشاهده مقاله7,270,512
تعداد دریافت فایل اصل مقاله4,252,963
آزادزاده, وحید, لطیف, علی محمد. (1395). روشی جدید در ردیابی اهداف متحرک هوایی با استفاده از الگوریتم AFFINE – SIFT. پدافند الکترونیکی و سایبری, 5(1), 47-59.
وحید آزادزاده; علی محمد لطیف. "روشی جدید در ردیابی اهداف متحرک هوایی با استفاده از الگوریتم AFFINE – SIFT". پدافند الکترونیکی و سایبری, 5, 1, 1395, 47-59.
آزادزاده, وحید, لطیف, علی محمد. (1395). 'روشی جدید در ردیابی اهداف متحرک هوایی با استفاده از الگوریتم AFFINE – SIFT', پدافند الکترونیکی و سایبری, 5(1), pp. 47-59.
آزادزاده, وحید, لطیف, علی محمد. روشی جدید در ردیابی اهداف متحرک هوایی با استفاده از الگوریتم AFFINE – SIFT. پدافند الکترونیکی و سایبری, 1395; 5(1): 47-59.

روشی جدید در ردیابی اهداف متحرک هوایی با استفاده از الگوریتم AFFINE – SIFT

پدافند الکترونیکی و سایبری
مقاله 4، دوره 5، شماره 1، خرداد 1396، صفحه 47-59    اصل مقاله (1.56 M)
نویسندگان
وحید آزادزاده1؛ علی محمد لطیف* 2
1دانشگاه یزد / سازمان قضایی نیروهای مسلح استان خراسان شمالی
2یزد
تاریخ دریافت: 18 خرداد 1395،  تاریخ بازنگری: 06 مهر 1403،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
ردیابی هدف متحرک فرایندی است که در آن یک شیء مشخص در یک دنباله ویدئویی از قاب‌ها تعقیب و مکان آن در هر قاب آشکار می‌شود. هدف از این فرایند تسهیل در پردازش‌های بعدی برای تحلیل رفتار یا شناسایی سوژه متحرک است. در این مقاله رویکردی جدید در زمینه آشکارسازی و ردیابی اهداف متحرک هوایی بر مبنای الگوریتم‌های تطبیق مشخصه ارائه شده است. آشکارسازی اهداف هوایی توسط چگالی طیفی و اطلاعات پیشینه‌ی هدف انجام می‌شود و برای ردیابی اهداف متحرک از الگوریتم تطبیق مشخصه‌ ASIFT استفاده می‌شود. چالش‌ موجود انتخاب ویژگی‌هایی‌ است که در مقابل تغییرهای شدت روشنایی، نویز، دوران، تغییر مقیاس و زاویه‌ دید مقاوم باشند. برای حل این مشکل نقاط کلیدی و متناظر آن‌ها در الگوهای استخراج شده از قاب‌های متوالی، توسط الگوریتم ASIFT محاسبه می‌شود، همچنین به منظور کاهش تناظرهای اشتباه در قاب‌های متوالی از الگوریتم RANSAC استفاده شده است. در این مقاله برای مقاوم کردن الگوریتم نسبت به تغییر مقیاس هدف از تاریخچه مقیاس سوژه در 10 قاب قبلی استفاده شده است. الگوریتم ارائه‌شده بر روی پایگاه داده استاندارد AIRCRAFT TRACKING اجرا شد. نتایج آزمایش‌ها کارآمدی روش ارائه شده را در دقت ردیابی نسبت به الگوریتم‌های مطرح در ردیابی نشان می‌دهد.
کلیدواژه‌ها
آشکارسازی و ردیابی هدف؛ الگوریتم ASIFT؛ الگوریتم RANSAC؛ تاریخچه مقیاس هدف؛ چگالی طیفی
مراجع
  1. K. Zhang, L. Zhang, M. H. Yang, and D. Zhang, “Fast tracking via spatio-temporal context learning,” in Computer Vision–ECCV, ed: Springer, pp. 127-141, 2013.
  2. A. Yilmaz, O. Javed, and M. Shah, “Object Tracking: A Survey,” Acm computing surveys, vol. 38, p. 13, 2006.
  3. H. Shuo, W. Na, and S. Huajun, “Object Tracking Method based on SURF,” AASRI Procedia, vol. 3, pp. 351-356, 2012.
  4. Y. Bar-Shalom, “Tracking and Data Association,” Academic Press Professional, Inc, 1987.
  5. A. S. Mian, “Realtime Visual Tracking of Aircrafts,” Techniques and Applications in Digital Image Computing, pp. 351-356, 2008.
  6. A. Abiri and M. R. Mahzoun, “Aerial Moving Target Tracking using Kernel Density Estimation Based on Particle Filter Algorithm,” Tabriz Journal of Electrical Eng., vol. 45, pp. 97-107, 2014 (In Persian).
  7. D. G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” International journal of computer vision, vol. 60, pp. 91-110, 2004.
  8. J. Morel and G. Yu, “On the Consistency of the SIFT Method,” Technical report, ENS Cachan France, 2008.
  9. J.-M. Morel and G. Yu, “ASIFT: A new framework for Fully Affine Invariant Image Comparison,” SIAM Journal on Imaging Sciences, vol. 2, pp. 438-469, 2009.
  10. X. Li and J. Wang, “Image Matching Techniques for Vision-based indoor navigation systems: a 3D map-based Approach,” Journal of Location Based Services, vol. 8, pp. 3-17, 2014.
  11. X. Jia, H. Lu, and M.-H. Yang, “Visual Tracking via Adaptive Structural Local Sparse Appearance Model,” IEEE Conference on Computer vision and pattern recognition, 2012, pp. 1822-1829.
  12. R. Oji, “An Automatic Algorithm for Object Recognition and Detection based on ASIFT Keypoints,” International Journal of Image Processing, vol. 3, p. 29, 2012.
  13. M. A. Fischler and R. C. Bolles, “Random Sample Consensus: a Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography,” Communications of the ACM, vol. 24, pp. 381-395, 1981.
  14. O. Faugeras, Q. Luong, and T. Papadopoulo, “The Geometry of Multiple Images: The Laws That Govern the Formation of Multiple Images of a Scene Andsome of Their Applications,” MIT press, 2001.
  15. X. Hou and L. Zhang, “Saliency Detection: A spectral residual approach,” IEEE Conference on Computer Vision and Pattern Recognition, 2007, pp. 1-8.
  16. H. Barlow, “Possible Principles Underlying the Transformation of Sensory Messages,” Sensory Communication, pp. 217–234, 1961.
  17. M. Anvaripour, R. S. Kandovan, and S. Soltanpour, “Low Distance Airplanes Detection and Tracking Visually using Spectral Residual and KLT Composition,” Information Systems & Telecommunication, p. 159, 2014.
  18. J. Sun, “A Fast MEANSHIFT Algorithm-Based Target Tracking System,” Sensors, vol. 12, pp. 8218-8235, 2012.
  19. D. Wang, H. Lu, and M.-H. Yang, “Online object tracking with sparse prototypes,” IEEE Transactions on Image Processing, 2013, vol. 22, pp. 314-325.
آمار
تعداد مشاهده مقاله: 887
تعداد دریافت فایل اصل مقاله: 259