طبقه بندی سیستم‌های پردازش تصویر در ردگیری اشیاء متحرک

نویسندگان

1 دانشگاه آزاد اسلامی واحد ساری

2 عضو هیئت علمی دانشگاه علوم دریایی امام خمینی(ره)

چکیده

استفاده از سیستم‌های بینایی و پردازش تصویر جهت تشخیص و ردگیری اشیاء در محیط های طبیعی مختلف با پیچیدگی بالایی مواجه می‌باشد. همچنین، انسداد شیء هدف، ثبات رنگی، ردگیری چند شی در مقابل دید یک چشمی، نویز در تصاویر، شکل پیچیده شی و تغییرات روشنایی صحنه، از مهم‌ترین چالش‌ها‌ی سیستم‌های بینایی است. در سال‌های اخیر، تلاش زیادی در راستای بهبود سامانه های تشخیص و ردگیری اشیاء در شرایط مختلف صورت گرفته است. در این مقاله ضمن مروری بر مهم‌ترین پژوهش‌های انجام شده در خصوص سیستم‌های ردگیری، دسته‌بندی‌‌هایی با توجه به حوزه فعالیت و نوع این سیستم‌ها ارائه می‌گردد. همچنین، مزایا و معایب هر دسته ذکر شده و پیشنهادها‌یی جهت عمل‌کرد پایدارتر این سیستم‌ها بیان می‌شود.  
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Classification of Image Processing Systems

نویسندگان [English]

  • H. Salehi 1
  • M. Yousefi 2
چکیده [English]

Using vision systems and image processing for detecting and tracking objects in the natural environment, we faced with high complexity. The most important of these challenges include: occlusion the target object, color stability, multi-object tracking from monocular vision, noise in images, the complex object and scene brightness changes. In recent years, many efforts have been to improve systems to detect and track objects under different conditions. In this paper, we review the most important research, which are classified according to the type of activity. Also, we show advantages and disadvantages of each mentioned category, and we suggest some ways of stability of these methods.      

کلیدواژه‌ها [English]

  • Machine vision
  • Object tracking
  • Object Occlusion
  • Object Recognition

مراجع

[1] حقیقت. پیمان ، صفابخش. رضا“ ,ردگیری اشیاء در دنباله تصاویر ,” , نشریه علمی پژوهشی انجمن کامپیوتر ایران، مجلد 1، شماره 3,صفحه 45، پائیز 1382.

 

[2] صالحی. هادی ، آقاگل زاده. علی، ربانی. محسن،“ ,ارائه روشی جدید به منظور تشخیص و ردگیری بلادرنگ اهداف متحرک پرنده در دریا ,” فصلنامه علمی ترویجی علوم و فناوری دریا، شماره 63، پائیز 1391.

 

[3] عادلی مسبب. احسان، فتحی. محمود، مزینی. ناصر،" مدلی  یکپارچه برای ردگیری و شناسایی هویت انسان از روی نحوه­ی راه رفتن" ، پایان نامه برای دریافت درجه کارشناسی ارشد ، دانشکده مهندسی کامپیوتر ، تهران، 1-157 ، مهر ماه 1386 .

[4] سیدین. سید علی رضا،. ولی زاده. مهدی، محقق. ناصر  "طراحی و پیاده سازی یک سیستم اپتوالکترونیک برای تشخیص اتوماتیک و ردیابی شناور در دریا با استفاده از تصاویر مرئی" پنجمین کنفرانس ملی بنینایی ماشینی و پردازش تصویر. آذر 1387.

[5] فرهادی. اردلان ، صالحی. هادی ، فرهادی. اردشیر " کاهش نویز­های تصاویر دریافتی توسط پهپادها از شناورهای سطحی با استفاده از روش­های پردازش تصویر"، اولین کنفرانس ملی فناوری­های نوین دریایی، دانشگاه علوم دریایی امام خمینی(ره)، 12و13 شهریور 1392.

 

[6] راهی، مهدی و محمود سعادت، ناوبری امن با استفاده از پردازش تصویر، دوازدهمین همایش ملی صنایع دریایی ایران، زیباکنار، 1389.

 

[7]  A.Yilmaz., “Object Tracking: A Survey”, ACM

Computing Surveys, Vol. 38, No. 4, Article13, Publication date: December 2006.

 

[8] Durucan, J. Snoeckx and Y. Weilenmann, “ Illumination Invariant Background Extraction”, Proc. of the 10th Intl Conf. on Image Analysis and Processing (ICIAP’99), 1999.

 

. [9]  L. J. Leroux and J. J. D. Van Schalkwyk, “An Overview of Moving Object Segmentation in Video Images”, South African Symp. On Communication and Signal Processing, 1991.

 

[10] F. Robert-Inacio, G. Oudinet, F.-M. Colonna, “Ship classification from multispectral videos”, in: Image Analysis and Stereology, volume 31, No 2 (2012).

 

[11]S. S. Beauchemin and J. L. Barron, “The Computation of Optical Flow”, ACM Computing Surveys, vol. 27, no. 3,  pp. 467-433,1995 .

 

[12] D. E. Huff,” Surface Ship Location Based On Active Sonar Image Data “, Literature Survey EE 381K-14 Multidimensional Digital Signal Processing March 25, 2005.

 

[13] A.  Borghgraef, M Acheroy, Using optical flow for the detection of floating mines in IR image sequences. Proceedings of the SPIE Optics and Photonics in Security and Defence, September 2006, Stockholm, Sweden 6395

  

[14]  W. H. Li and L. Kleeman, “Real time object tracking using reflectional symmetry and motion,” Accepted for publication at the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Beijing, China, October 2006.

 

[15]  Li W.H, Zhang A.M. and Kleeman L, “Real Time Detection and Segmentation of Reflectionally Symmetric Objects in Digital Images”, IEEE/RSJ Int. Conference on Intelligent Robots and Systems, pp.4867-4873, 2006

 

[16]L.­ Li ,­“On‐line Visual Tracking with Feature‐based Adaptive Models,” MSc Thesis, University of British Columbia, October (2004).

 

[17]  S. Huwer and H. Niemann, “3D Modelbased Detection and Tracking of People in Monocular Video Sequences”, Proc. of the IASTED Int. Conf. Signal and Image Processing, 2000.

 

[18]  K. Iqbal, R. A. Salam, A. Osman, and A. Z. Talib, "Underwater Image Enhancement Using an Integrated Colour Model," IAENG International Journal of Computer Science, Vol. 34, No. 2, 2007.

[19]  H. Salehi,” Robust Real-Time Tracking In 3D”, accepted in International Conference on Image, Vision and Computing (ICIVC 2014), September 17-18, 2014, Paris, France, 2014.

[20]  D. Koller, K. Daniilidis, and H. Nagel, “Model-based Object Tracking in Monocular Image Sequences of Road Traffic Scenes”, Intl Journal of Computer Vision, no. 10,  pp. 257-281, 1993.

 

[21]  J. C. Rojas and J. D. Crisman, “Vehicle Detection in Color Images”, Proc. IEEE Conf. Intelligent Transportation Systems, 1997.

 

[22]  D. Koller, K. Daniilidis, and H. Nagel, “Model-based Object Tracking in Monocular Image Sequences of Road Traffic Scenes”, Intl Journal of Computer Vision, no. 10, pp. 257-281, 1993

 

[23]  C. R. Wren, A. Azarbayejani, T. Darrel and A. P. Pentland, “Pfinder: Real-Time Tracking of the Human Body”, IEEE Trans. on Pattern Anal. And Mach. Intell.  vol. 19, no. 7, 1997

 

[24]  D. G. Lowe. “Distinctive image features from scale‐invariant keypoints,” Int. Journal of Computer

Vision, Vol. 60, No. 2, pp. 91‐110, November 2004)).

 

[25]  S. Liu, A. Papakonstantinou, H. Wang, and D. Chen, "Real-time Object Tracking System on FPGAs," Proceedings of Symposium on Application Accelerators in High Performance Computing, July 2011. (Best Paper Award).

 

[26]  T. Kanade, R. Collins, A. Lipton, P. Burt and L. Wixson ,“ Advances in Cooperative Multisensor Video Surveillance”, Proc. of the 1998  DARPA Image  Understanding Workshop, vol. 1, pp. 3–24, 1998.

 

 [27]  X. Zhao, Y. Satoh, H. Takauji and S. Kaneko, ”Hybrid Feature and Adaptive Particle Filter for Robust Object Tracking,” World Academy of Science, Engineering and Technology, pp.2486-2492, 20011.

 

[28] Y. Dedeo˘glu,” Moving Object Detection, Tracking and Classification for Smart Video Surveillance” master of science, bilkent university, partial fulfillment of the requirements, no.16, August, 2004.

 

[29] M. Liem, A. Visser, and F. Groen, “A hybrid algorithm for tracking and following people using a robotic dog”, in Proceedings of the 3rd ACM/IEEE international conference on Human robot interaction, (HRI 2008), p. 192– 185.

 

[30] E. Rublee, v. Rabaud, k. Konolige, and g bradski. ORB,” An Efficient Alternative to SIFT or SURF”. In International Conference on Computer Vision, Barcelona2011. 

 

[30] L. Juan and O. Gwun, "A Comparison of SIFT , PCASIFT and SURF", International Journal of Image Processing, Vol. 65, pp. 152-143, 2009.

 

[31] C. Bulla, “Local features for object recognition,” in International Student Conference on Electrical Engineering POSTER '12, (Prague, Czech Republic), May 2012.