CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

بهبود فیلتر ذره ای با استفاده از الگوریتم نیرو گرانشی (GLSA) در ردیابی اجسام متحرک

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۲۱۱ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: REGCMAES02_124
زبان مقاله: فارسی
حجم فایل: ۲.۳۶ مگابات (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۹ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود فیلتر ذره ای با استفاده از الگوریتم نیرو گرانشی (GLSA) در ردیابی اجسام متحرک

  محمد صادق یوسفی - دانشگاه آزاد اسلامی واحد قزوین، دانشکده برق، رایانه و فن آوری اطلاعات، قزوین، ایران
میرموسی هاشمیان - عضو انجمن ماشین بینایی و پردازش تصویر ایران و عضو ارشد IEEE

چکیده مقاله:

در سال های اخیر با افزایش دوربین های فیلمبرداری و همچنین افزایش نیاز برای تحلیل های خوکار ویدیویی، علاقه مندان زیادی را نسبت به خود جلب کرده است. بینایی ماشین با ترکیب روش های مربوط به پردازش تصویر و ابزارهای یادگیری ماشین، رایانه را قادر به درک هوشمند معنا و محتوای تصاویر می کند. در این مقاله به منظور بهبود عملکرد فیلتر الگوریتم جدیدی بر پایه ترکیب فیلتر ذره ای و الگوریتم نیرو گرانشی مطرح می شود. فیلتر ذره ای در سال های اخیر به عنوان یک روش قدرتمند در این زمینه مطرح شده است. در روش پیشنهاد شده، پس از انتخاب شی مورد نظر برای ردیابی، تعدادی ذره حول مرکز شی انتخاب شده فرستاده می شود، که هر ذره ویژگی هایی را با تشکیل چنجریه ای به مرکزیت خودش از تصویر دریافت می کند، سپس وزن ذرات محاسبه می شوند، واضح است که ذراتی شباهت بیشتری نسبت به مدل ابتدایی دارند از وزنی بیشتری برخوردارند. حال در قسمت دوباره نمونه برداری با اعمال الگوریتم نیرو گرانشی بر روی ذرات بهترین ذره را انتخاب می کند و در مرحله بعد حول مختصات نقطه جدی چندین ذره می فرستند. با ورود فریم بعد این ذرات جدید، مجددا برای محاسبه وزن مراحل بالا را تکرار می کنند. هدف کاهش مشکلات کار با فیلتر ذره ای و افزایش دقت در محاسبات است. با بررسی نتایج آزمایشات مشاهده می شود همانطور که مورد انتظار بود روش ترکیب فیلتر ذره ای با الگوریتم نیرو گرانشی در مقایسه با روش های دیگر در داده هایی با پوشیدگی جزئی و همپوشانی کلی به بهبود یافته است که نشان دهنده آن است که روش پیشنهادی عملکرد باثبات تر نسبت به روش های مورد مقایسه دارد.

کلیدواژه‌ها:

فیلتر ذره ای، بافت و رنگ، الگوریتم نیرو گرانشی، دوباره نمونه برداری

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-REGCMAES02-REGCMAES02_124.html
کد COI مقاله: REGCMAES02_124

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
یوسفی, محمد صادق و میرموسی هاشمیان، ۱۳۹۴، بهبود فیلتر ذره ای با استفاده از الگوریتم نیرو گرانشی (GLSA) در ردیابی اجسام متحرک، دومین همایش ملی ریاضیات و کاربردهای آن در علوم مهندسی، ساری، دانشگاه آزاد اسلامی واحد جویبار، https://www.civilica.com/Paper-REGCMAES02-REGCMAES02_124.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (یوسفی, محمد صادق و میرموسی هاشمیان، ۱۳۹۴)
برای بار دوم به بعد: (یوسفی و هاشمیان، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • H. Yang, L. Shao, F. Zheng, L. Wang, and Z. ...
  • - A. Yilmaz, O. Javed, and M. Shah, "Object tracking: ...
  • - J. Kwon, M. Choi, F. Park, and C. Chun, ...
  • - W. Yan, C. Weber, and S. Wermter, "A hybrid ...
  • - S. Zhou, R. Chellappa, and B. Moghaddam, "Visual tracking ...
  • - Park, S., Hwang, J., Kim, E., and Kang, H., ...
  • http :/homepages. inf. edl. ac _ uk/rb _ CAVIARD AT ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۷۹۰۰
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.