بهبود دهي سرعت و مقاومت رديابي تصويري تنك مبنا در مواجهه با انسداد جزئي به كمك مدل‌سازي زبر و نرم منظر هدف

Improving the Speed and Robustness of Partial Occlusion Invariant Sparsity-based Algorithm of Visual Tracking with Coarse and Fine Appearance Modeling

در اين مقاله الگوريتمي طراحي شده است كه علاوه بر مقاوم بودن در برابر انسداد جزئي، حتي الامكان در برابر ساير چالش‌هاي رديابي نيز عملكرد خوبي داشته باشد و همچنين از نظر زماني، به‌حالت بلادرنگ نزديك شود. براي اين منظور ردياب مبتني بر نمايش تنك دو مرحله‌اي زبر و نرم را ارائه مي‌دهيم كه در آن ابتدا منظر شيء هدف با واژه‌نامه‌اي متشكل از بردارهاي پايه PCA و قالب‌هاي جزئي مدل مي‌شود و براي اين مدل‌سازي از روش حل APG_L1 بهره مي‌بريم. براي افزايش سرعت محاسبات، در مرحله اول به كمك بلوك‌بندي مربعي و درشت روي قالب‌هاي جزئي، تعداد قالب‌هاي جزئي واژه‌نامه را كاهش مي‌دهيم و آنگاه در مرحله بعد، براي پيدا كردن انسداد در سطح پيكسل، كانديداهاي برتر بدست آمده از مرحله قبل را با روش PCA_L1 مورد ارزيابي قرار داده تا كانديداي نهايي بدست آيد. نتايج كمي مقايسه با پنج الگوريتم رديابي غيرتنك و هفت الگوريتم تنك مبنا بر روي دوازده دنباله تصوير نشان مي دهد كه ردياب پيشنهادي با سرعت اجراي 14/2 قاب بر ثانيه، منجر به ميانگين خطاي مركزيابي 10/2 و ميانگين درصد هم پوشاني 7475/. مي شود؛ يعني در مقايسه با شيوه‌هاي رديابي متداول هم در زمينه دقت و هم در زمينه سرعت عملكرد خوبي داشته ايم و توانسته‌ايم بين عملكرد و بار محاسباتي رديابي تعادل خوبي ايجاد كنيم.

The main goal of this paper is to find a partial occlusion robust tracking algorithm. In addition, this algorithm should have superior performance against other tracking challenges and should have real time operation. In according to these reasons, we propose a two stage tracker based on coarse and fine sparse representation. At first, target object appearance modeled by a dictionary consisting of PCA basis vectors and trivial templates. We apply APG_L1 solving method for this modeling. We decrease number of trivial templates to decrease computation load such that we consider one trivial template for every a by a pixels. Then, best candidates in previous stage are evaluated by PCA_L1 method in order to determine the last candidate. We compare this tracker with 5 different popular algorithms and 7 new sparse trackers using 12 datasets. We conclude that proposed tracker with 14.2 frame per second, 10.2 average pixel center error, 0.7475 average overlapped rate, has a better performance in comparison with other trackers. and therefore simulations show that proposed tracker has a better performance in both accuracy and speed in comparison to other algorithms.