Визначення масштабу та повороту об’єкта шляхом кластеризації в методах відслідковування на основі обчислення оптичного потоку
Основний зміст сторінки статті
Анотація
Запропоновано процедури оцінювання масштабу та повороту об’єкта за допомогою кластеризації, орієнтовані на застосування в методах відслідковування, що базуються на обчисленні розрідженого оптичного потоку. На основі зазначених процедур розроблено метод відслідковування під назвою FCT (Flow Clustering Tracker) та показано можливість забезпечення ним компромісного рівня надійності та точності відслідковування у порівнянні з існуючими рішеннями.
Бібл. 8, рис. 5, табл. 2.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
Forsyth, D., & Ponce, J. (2004). Computer vision: A modern approach. Moscow: Williams Publishing House. (Rus)
Boguet, J.-Y. (2002). Pyramidal Implementation of the Lucas-Kanade Feature Tracker: Description of the algorithm. (Tech. report, Intel Corporation. Microprocessor Research Labs).
Bradski, G., & Kaehler, A. (2008). Learning OpenCV. Sebastopol (CA): O'Reilly.
Kalal, Z., Mikolajczyk, K., & Matas, J. (2010). Forward-Backward Error: Automatic Detection of Tracking Failures. 2010 20th International Conference on Pattern Recognition, 2756-2759. doi:10.1109/icpr.2010.675.
Maresca, M.E., & Petrosino, A. (2015). Clustering Local Motion Estimates for Robust and Efficient Object Tracking. Computer Vision - ECCV 2014 Workshops Lecture Notes in Computer Science, 244-253. doi:10.1007/978-3-319-16181-5_17.
Rosten, E., & Drummond, T. (2006). Machine Learning for High-Speed Corner Detection. Computer Vision – ECCV 2006 Lecture Notes in Computer Science, 430-443. doi:10.1007/11744023_34.
Kristan, M., Matas, J., Leonardis, A., Felsberg, M., Cehovin, L., Fernandez, G., … Pflugfelder, R. (2015). The Visual Object Tracking VOT2015 Challenge Results. 2015 IEEE International Conference on Computer Vision Workshop (ICCVW). doi:10.1109/iccvw.2015.79.
Vojíř, T. & Matas, J. (2012). Increasing Robustness of the Flock of Trackers (Research Report of CMP No. 14., Czech Technical University in Prague).
