Tracking by Spatial-temporal JPDAFI

Tracking by Spatial-temporal JPDAF
In [7], a JPDAF-based approach was proposed: it formulates
the tracking problem as characterizing the position of
the moving object that maximizes appearance and motion
models. The optimal position at each time step depends
on the current appearance observations, as well as the motion
estimation obtained at the previous optimal positions.
The classical JPDAF-based tracking approach produces local
optimal solution since the decision made at time t is
based only on current measurement and previous solution
at time t − 1. If a wrong estimation of the position is selected
at time t, due to occlusions or to a bad detection, the
tracking will not be able to recover the right solution later
on.
In this section, we present a novel optimization method
for extracting the optimal path by collecting discriminating
evidences from past observations in the buffer. However, if
the detected moving regions are due to parallax, this parallax
information is propagated through tracking step, and
it interferes with the extraction of accurate trajectories of
the moving objects. In Section 4, we have proposed a re-
finement of detected moving blobs using the likelihood of a
moving pixel to belong to a moving object in the scene or
to parallax. We propose to integrate this blobs classification
into the tracking algorithm, and show that we can improve
the performance of the spatio-temporal JPDAF-based tracking
in video sequences with a strong parallax.
In the proposed JPDAF, the optimal position of the moving
object at each time step depends on several cues: the
current appearance observation, the motion estimation and
the blob’s probability to belong to a moving object or parallax.
Each cue is associated with a probability measure. We
propose to define a joint probability reflecting current and
past observations and define the appropriate data association
(i.e. tracking) by maximizing this joint probability by
collecting discriminating evidences in the sliding buffer.

ผลลัพธ์ (ไทย) 1:

ติดตาม โดยปริภูมิกาล JPDAFเสนอวิธีการใช้ JPDAF ใน [7],: กำหนดปัญหาการติดตามเป็นลักษณะตำแหน่งของวัตถุเคลื่อนที่เพิ่มลักษณะที่ปรากฏและการเคลื่อนไหวรุ่น ขึ้นตำแหน่งสูงสุดในแต่ละขั้นตอนของเวลาสังเกตลักษณะปัจจุบัน เช่นการเคลื่อนไหวการประเมินที่ได้รับตำแหน่งสูงสุดซึ่งก่อนหน้านี้วิธีการติดตามตาม JPDAF คลาสสิกผลิตในท้องถิ่นเหมาะสม เพราะเป็นการตัดสินใจที่เวลา tจากปัจจุบันการวัดและการแก้ไขปัญหาก่อนหน้านี้ที่เวลา t − 1 ถ้าการประเมินไม่ถูกต้องของ ตำแหน่งที่เลือกที่เวลา t เนื่อง จาก occlusions หรือตรวจ สอบที่ไม่ดี การการติดตามจะไม่สามารถกู้คืนเหมาะในภายหลังบนในส่วนนี้ เรานำเสนอวิธีการเพิ่มประสิทธิภาพของนวนิยายสำหรับการดึงข้อมูลเส้นทางที่เหมาะสมโดยการรวบรวมเหยียดพวกผิวหลักฐานจากการสังเกตมาในบัฟเฟอร์ อย่างไรก็ตาม ถ้าภูมิภาคเคลื่อนตรวจพบจะเกิด parallax ที่ parallax ที่นี้ข้อมูลที่ถูกเผยแพร่ขั้นตอนการติดตาม และมันรบกวนการสกัดของทีมที่ถูกต้องของวัตถุเคลื่อนไหว ใน 4 ส่วน เรามีเสนออีกครั้ง-finement ของ blobs เคลื่อนที่ตรวจพบโดยใช้โอกาสของการพิกเซลที่ย้ายไปเป็นวัตถุเคลื่อนไหวในฉาก หรือการ parallax ที่ เราเสนอการรวมนี้ blobs สีประเภทอัลกอริทึมการติดตาม และเราสามารถปรับปรุงประสิทธิภาพของการติดตามการใช้ JPDAF spatio กาลในลำดับวิดีโอมี parallax ที่แข็งแกร่งใน JPDAF เสนอ ตำแหน่งที่ดีที่สุดของการเคลื่อนที่วัตถุในแต่ละขั้นตอนเวลาขึ้นจากสัญลักษณ์ต่าง ๆ: การสังเกตลักษณะปัจจุบัน การประเมินการเคลื่อนไหว และของหยดน่าจะเป็นของวัตถุเคลื่อนไหวหรือ parallax ที่แต่ละสัญลักษณ์จะเกี่ยวข้องกับการวัดความน่าเป็น เราเสนอการกำหนดความน่าเป็นร่วมสะท้อนถึงกระแส และสังเกตที่ผ่านมา และกำหนดความสัมพันธ์ของข้อมูลที่เหมาะสม(เช่นติดตาม) โดยการเพิ่มนี้น่าเป็นร่วมด้วยรวบรวมหลักฐานเหยียดในบัฟเฟอร์การเลื่อน

ผลลัพธ์ (ไทย) 2:

ติดตามโดย Spatial-ชั่ว JPDAF
ใน [7] เป็นวิธีการ JPDAF ตามที่เสนอ: มันกำหนด
ปัญหาการติดตามพัฒนาการเป็นตำแหน่งของ
วัตถุที่เคลื่อนที่ที่เพิ่มลักษณะและการเคลื่อนไหว
แบบจำลอง ตำแหน่งที่ดีที่สุดในแต่ละขั้นตอนเวลาขึ้นอยู่
ในการสังเกตลักษณะที่ปรากฏในปัจจุบันเช่นเดียวกับการเคลื่อนไหว
การประมาณค่าที่ได้รับตำแหน่งที่ดีที่สุดก่อนหน้านี้.
JPDAF ตามแนวทางการติดตามคลาสสิกผลิตในท้องถิ่น
ทางออกที่ดีที่สุดนับตั้งแต่การตัดสินใจทำในเวลา T จะ
ขึ้นอยู่เฉพาะในปัจจุบัน การวัดและการแก้ปัญหาก่อน
ที่เวลา t - 1. ถ้าการประเมินที่ไม่ถูกต้องของตำแหน่งที่จะถูกเลือก
ที่เวลา t เนื่องจาก occlusions หรือการตรวจสอบที่ไม่ดี
การติดตามจะไม่สามารถที่จะกู้คืนทางออกที่เหมาะสมในภายหลัง
บน.
ในส่วนนี้ เรานำเสนอวิธีการเพิ่มประสิทธิภาพนวนิยาย
สำหรับการสกัดเส้นทางที่ดีที่สุดโดยการเก็บรวบรวมจำแนก
หลักฐานจากการสังเกตที่ผ่านมาในบัฟเฟอร์ แต่ถ้า
ภูมิภาคตรวจพบการเคลื่อนย้ายเป็นเพราะ Parallax, Parallax นี้
ข้อมูลจะแพร่กระจายผ่านขั้นตอนการติดตามและ
มันรบกวนกับการสกัดของไบร์ทที่ถูกต้องของ
วัตถุที่เคลื่อนไหว ในมาตรา 4 ที่เราได้นำเสนออีกครั้ง
finement หยดย้ายตรวจพบโดยใช้โอกาสในการที่
พิกเซลที่จะย้ายไปอยู่กับวัตถุที่เคลื่อนที่ในฉากหรือ
จะ Parallax เราเสนอเพื่อบูรณาการการจัดหมวดหมู่ blobs นี้
เข้าสู่ขั้นตอนวิธีการติดตามและแสดงให้เห็นว่าเราสามารถปรับปรุง
ประสิทธิภาพการทำงานของ spatio กาลติดตาม JPDAF ตาม
ในลำดับวิดีโอที่มี Parallax แข็งแกร่ง.
ใน JPDAF เสนอตำแหน่งที่ดีที่สุดในการเคลื่อนย้าย
วัตถุ แต่ละขั้นตอนเวลาขึ้นอยู่กับหลายตัวชี้นำการ
สังเกตลักษณะที่ปรากฏในปัจจุบันการประมาณค่าการเคลื่อนไหวและ
ความน่าจะเป็นหยดที่จะเป็นวัตถุที่เคลื่อนที่หรือ Parallax.
แต่ละคิวมีความเกี่ยวข้องกับการวัดความน่าจะเป็น เรา
เสนอให้กำหนดความน่าจะเป็นร่วมกันสะท้อนให้เห็นถึงปัจจุบันและ
ข้อสังเกตที่ผ่านมาและกำหนดสมาคมข้อมูลที่เหมาะสม
(เช่นการติดตาม) โดยการเพิ่มความน่าจะเป็นนี้ร่วมกันโดย
การเก็บรวบรวมหลักฐานแบ่งแยกในบัฟเฟอร์เลื่อน