Pengesanan visual adalah isu hangat dalam visi komputer dengan pelbagai aplikasi yang lebar seperti pengawasan video pintar. Pelbagai jenis kaedah termasuk perwakilan ‘sparse’ telah dicadangkan dan beberapa pengubahsuaian telah diperkenalkan di khalayak ramai pada dekad yang lalu. Malangnya, disebabkan oleh beberapa factor perosakkan, seperti ‘occlusions’ dan perubahan pencahayaan yang akan menghanyutkan hasil pegesanan, sehingga kini, masih tiada kaedah sempurna untuk pengesanan visual. Kajian ini mencadangkan satu model untik meningkatkan prestasi pengesanan visual dengan memperkenalkan konsep analisis regresi dalam pengesanan visual untik tujuan optimasi. Daripada menggunakan nilai-nilai yang rawak dan tetap, hubungan antara kematraan ruang yang diunjurkan dan parameter dengan saiz imej dan saiz sasaran telan dikaji. Idea utama dalam kaedah yang dicadangkan adalah untik meningkatkan prestasi pengesanan keseluruhan dengan meningkatkan kadar pertindihan purata (AOR) dan mengurangkan ralat lokasi (CLE). Keadah yang dicadangkan dinilai dengan menggunakan imej-imej dari pelbagai dataset, seperti dataset Babenko dan dataset Kwon. Nilai AOR telah meningket kepada 0.62 dan nilai CLE telah merosot kepada 18.18 pixels. Kaedah yang dicadangkan telah mengatasi prestasi kaedah-kaedah pengesanan visual yang lain dari segi ketepatan dan kemantapan.
_______________________________________________________________________________________________________
Visual tracking is a hot issue in computer vision with a wide range of applications such as intelligent video surveillance. Different types of state-of-the-art methods such as self-expressive, sparse representation are proposed and several modifications are being introduced to the public in the past few decades. Due to destabilizing factors, like occlusions and illumination changes which cause the tracking to acquire a tendency to drift, until now, there are still no foolproof methods for visual tracking. This paper propose a model to enhance visual tracking by introducing the concept of regression analysis in visual tracking for optimization purpose. Instead of using random and fixed values, the relationship of the dimensionality of projected space and learning parameter with the image frame size and the tracked target size have been studied. The main idea in the proposed method is to improve the overall tracking performance by maximizing the average overlap rate (AOR) and minimizing the center location error (CLE). The proposed method is evaluated using image sequences from various datasets; such as the Babenko datasets and the Kwon datasets. The AOR value has increased to 0.62 and the CLE value is decreased to 18.18 pixels. The proposed model has performed favorably against several state-of-the-art tracking methods on sequences in term of accuracy and robustness.
Fast compressive tracking parameters optimization for enhanced visual tracking / Law Hooi Mee