Определение масштаба и поворота объекта путем кластеризации в методах отслеживания на основе вычисления оптического потока
##plugins.themes.bootstrap3.article.main##
Аннотация
Предложены процедуры оценки масштаба и поворота объекта с помощью кластеризации, ориентированные на применение в методах отслеживания, основанных на вычислении разреженного оптического потока. На основе указанных процедур разработан метод отслеживания под названием FCT (Flow Clustering Tracker) и показана его способность обеспечить компромиссный уровень надежности и точности отслеживания в сравнении с существующими решениями.
Библ. 8, рис. 5, табл. 2.
##plugins.themes.bootstrap3.article.details##
![Лицензия Creative Commons](http://i.creativecommons.org/l/by/4.0/88x31.png)
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:- Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
- Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).
Библиографические ссылки
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).