We used a parametric representation

We used a parametric representation of the object of interest
based on its color appearance due to its discrimination power and
also because it provides a reduced computational cost. The
representation is then convolved with a Gaussian filter to eliminate bad information on the edges. The tracking problem starts with an initialization process of the population in a reduced search area around the object's previous location. In order to enhance the quality of the population, we integrated two special candidates:the previous location of the object and the predicted solution
using the prediction step of the Kalman Filter. Each solution of the
population represents a candidate region of the current image.
Regions are compared to the object of interest in terms of the
parametric representation using the Bhattacharyya distance and a
Lévy flight is then performed around the current best solution to
generate a new candidate. This new element is compared to a
randomly chosen solution from the population. The discovery
process described in the original algorithm is also included to

ผลลัพธ์ (ไทย) 1:

เราใช้การแสดงพาราเมตริกของวัตถุที่น่าสนใจตามลักษณะของสีเนื่องจากการแบ่งแยกอำนาจ และนอกจากนี้เนื่องจากมีต้นทุนการคำนวณลดลง ที่แสดงเป็น convolved แล้ว ด้วย filter Gaussian เพื่อกำจัดข้อมูลไม่ถูกต้องบนขอบ ติดตามปัญหาเริ่มต้น ด้วยกระบวนการเริ่มต้นของประชากรในพื้นที่การค้นหาลดตำแหน่งก่อนหน้าของวัตถุ เพื่อเพิ่มคุณภาพของประชากร เรารวมผู้สมัครพิเศษสอง: ตำแหน่งของวัตถุและการแก้ไขการคาดการณ์ก่อนหน้านี้ใช้ขั้นตอนการคาดเดาของตัวกรอง Kalman แต่ละโซลูชั่นของการประชากรหมายถึงแคว้นผู้สมัครรูปปัจจุบันภูมิภาคจะเปรียบเทียบกับวัตถุที่น่าสนใจในแง่ของการแสดงพาราเมตริกที่ใช้ระยะทาง Bhattacharyya และแล้วดำเนินการ Lévy flight สถานปัจจุบันสุดหนทางแก้สร้างผู้สมัครใหม่ องค์ประกอบใหม่นี้ถูกเปรียบเทียบกับการสุ่มเลือกโซลูชันจากประชากร การค้นพบยังมีรวมกระบวนการที่อธิบายไว้ในขั้นตอนวิธีเดิมเพื่อ

ผลลัพธ์ (ไทย) 2:

เราใช้การแสดงลักษณะของวัตถุที่น่าสนใจ
ตามลักษณะสีของมันเนื่องจากอำนาจการเลือกปฏิบัติและ
ยังเพราะมีค่าใช้จ่ายในการคำนวณลดลง
เป็นผู้แทนจะ convolved แล้วด้วยแผ่นกรองไว้เสียในการขจัดข้อมูลที่ไม่ดีบนขอบ ปัญหาการติดตามจะเริ่มต้นด้วยการเริ่มต้นของประชากรในพื้นที่การค้นหาลดลงรอบตำแหน่งก่อนหน้าของวัตถุ เพื่อที่จะยกระดับคุณภาพของประชากรที่เรารวมสองผู้สมัครพิเศษ: สถานที่ตั้งก่อนหน้านี้ของวัตถุและการแก้ปัญหาที่คาดการณ์ไว้
โดยใช้ขั้นตอนการทำนายของคาลมานฟิลเตอร์ แก้ปัญหาของแต่ละคน
เป็นตัวแทนของประชากรในภูมิภาคที่ผู้สมัครของภาพปัจจุบัน
ภูมิภาคเมื่อเทียบกับวัตถุที่น่าสนใจในแง่ของ
การเป็นตัวแทนตัวแปรโดยใช้ระยะ Bhattacharyya และ
ชั้น ight เก็บจะดำเนินการแล้วรอบทางออกที่ดีที่สุดในปัจจุบันเพื่อ
สร้างผู้สมัครใหม่ องค์ประกอบใหม่นี้เมื่อเทียบกับ
โซลูชั่นที่สุ่มเลือกจากประชาชน การค้นพบ
กระบวนการที่อธิบายไว้ในขั้นตอนวิธีเดิมจะรวมถึง

ผลลัพธ์ (ไทย) 3:

เราใช้ตัวทดแทนของวัตถุที่น่าสนใจ
ตามลักษณะสี เนื่องจากอำนาจการเลือกปฏิบัติและ
เพราะมันมีการลดการคำนวณต้นทุน
แทนแล้ว convolved กับ LTER ) จึงขจัดข้อมูลไม่ดี บนขอบการติดตามปัญหาเริ่มต้นด้วยขั้นตอนการเริ่มต้นของประชากรในการค้นหาบริเวณรอบๆ วัตถุตำแหน่งก่อนหน้า เพื่อเพิ่มคุณภาพของประชากร เรารวมสองผู้สมัครพิเศษ : สถานที่ตั้งเดิมของวัตถุและคาดการณ์ทางออก
ใช้ทำนายขั้นตอนของตัวกรองคาลมาน . แต่ละคำตอบ
ประชากร หมายถึง ผู้สมัคร เขตของภาพปัจจุบัน .
ภูมิภาคเมื่อเทียบกับวัตถุที่น่าสนใจในแง่ของการใช้ bhattacharyya
จัดระยะทางและ
L ) U fl ight จากนั้นดำเนินการรอบปัจจุบันโซลูชั่นที่ดีที่สุด

สร้างผู้สมัครใหม่ องค์ประกอบใหม่นี้เมื่อเทียบกับโซลูชั่น
สุ่มเลือกจากประชากร การค้นพบ
กระบวนการที่อธิบายไว้ในชุดคำสั่งเดิมยังรวมถึง