یکی از روش‌های مرسوم در زمینه‌ی ردیابی تصویری اهداف غیرصلب، استفاده از روالی تکراری به نام انتقال متوسط در تعیین موقعیت مد مرکزی هدف است. نمایش هدف در ردیاب انتقال متوسط برپایه‌ی هیستوگرام ویژگی بانقاب‌گذاری مکانی با یک کرنل مستقل از جهت انجام می‌شود. بحرانی‌ترین چالش در ردیاب انتقال متوسط، تنظیم مقیاس کرنل است. تاکنون هیچ روش کارامد و بی عیب و نقصی برای تنظیم و یا وفق دهی ابعاد کرنل، زمانی که ابعاد هدف تغییرمی کند، ارائه نشده است. مشکل دیگر ردیاب انتقال متوسط در رویارویی با هدف با الگوی تابشی متغیر پیش می آید. در این مقاله با رویکرد حل این مشکلات، الگوریتم ردیابی انتقال متوسط همراه با اندازه بندی وفقی قوی ارائه می‌گردد، ضمن این که مشکل الگوریتم انتقال متوسط را در مواجهه با تغییرات الگوی تابشی هدف با وفق دهی مدل هدف در هر قاب حل می کند. در روش پیشنهادی، ابتدا با استفاده از روش محاسبه ی توان ناشی از مشتقات مکان- زمانی شدت پیکسل های تصویر، ابعاد پنجره در قاب بعد تنظیم می شود. سپس نتایج حاصل از اندازه بندی پنجره در قاب بعد، در ردیاب انتقال متوسط اعمال می شود. نتایج نشان می ‌دهند که استفاده از الگوریتم پیشنهادی ضمن اینکه به کاهش خطای موقعیت یابی هدف در مقایسه با الگوریتم انتقال متوسط استاندارد می ‌انجامد، در برابر تغییرات تباین2 و الگوی تابشی هدف نیز کارایی قابل توجهی از خود نشان می دهد. پرونده مقاله

علی رغم موفقیت الگوریتم رقابت استعماری (ICA) در حل مسائل بهینه سازی، این الگوریتم کماکان از به دام افتادن مکرر در کمینه محلی و سرعت پایین همگرایی رنج می برد. در این مقاله، نسخۀ جدیدی از این الگوریتم، به نام رقابت استعماری آشوبی متعامد اصلاح شده (COICA)، پیشنهاد می شود. در سیاست جذب نسخه پیشنهادی، هرمستعمره از طریق تعریف بردار متعامد نوینی، فضای حرکت به سمت استعمارگر را جستجو می کند. همچنین احتمال انتخاب امپراطوری های قدرتمند، از طریق تابع توزیع بولتزمان تعریف شده و عمل انتخاب از طریق روش چرخ رولت انجام گرفته است. از الگوریتم پیشنهادی برای آموزش شبکه عصبی پرسپترون چند لایه (MLP) جهت طبقه بندی مجموعه داده های استاندارد، از جمله یونسفر و سونار استفاده شده است. برای ارزیابی عملکرد این الگوریتم و بررسی میزان تعمیم پذیری شبکه عصبی آموزش ديده با نسخه پيشنهادی، از روش اعتبارسنجی متقابل K-Fold استفاده شده است. نتایج بدست آمده از شبیه سازی ها، کاهش خطای آموزش شبکه و همچنین بهبود تعمیم پذیری الگوریتم پیشنهادی را تایید می کند. پرونده مقاله

یکی از روش های مرسوم در زمینه ی ردیابی تصويری اهداف غیرصلب، استفاده از روالی تکراری به نام انتقال متوسط در تعیین موقعیت مد مرکزی هدف است. نمایش هدف در ردياب انتقال متوسط برپایه ی هیستوگرام ویژگی بانقاب گذاری مکانی با یک کرنل مستقل از جهت انجام می شود. بحراني ترين چالش در ردیاب انتقال متوسط، تنظیم مقیاس کرنل است. تاکنون هیچ روش کارامد و بی عیب و نقصی برای تنظیم و یا وفق دهی ابعاد کرنل، زمانی که ابعاد هدف تغییرمی کند، ارائه نشده است. مشکل دیگر ردیاب انتقال متوسط در رویارویی با هدف با الگوی تابشی متغیر پیش می آید. در این مقاله با رویکرد حل این مشکلات، الگوریتم ردیابی انتقال متوسط همراه با اندازه بندی وفقی قوی ارائه مي‌گردد، ضمن این که مشکل الگوریتم انتقال متوسط را در مواجهه با تغییرات الگوی تابشی هدف با وفق دهی مدل هدف در هر قاب حل می کند. در روش پیشنهادی، ابتدا با استفاده از روش محاسبه ی توان ناشی از مشتقات مکان- زمانی شدت پیکسل های تصویر، ابعاد پنجره در قاب بعد تنظیم می شود. سپس نتایج حاصل از اندازه بندی پنجره در قاب بعد، در ردیاب انتقال متوسط اعمال می شود. نتایج نشان مي ‌دهند که استفاده از الگوریتم پیشنهادی ضمن اينكه به كاهش خطای موقعيت يابي هدف در مقايسه با الگوريتم انتقال متوسط استاندارد مي ‌انجامد، در برابر تغييرات تباین2 و الگوي تابشي هدف نيز كارايي قابل توجهي از خود نشان می دهد. پرونده مقاله

شناسایی مرزهای هدف یکی از موضوعات مورد علاقه در بینایی ماشین و پردازش تصویر است. مدل‌های کانتور فعال یکی از روش‌های معروف در شناسایی هدف و قطعه‌بندی اشیا می‌باشند. این مقاله روشی جدید برای قطعه‌بندی اشیای بافتی با استفاده از مدل‌های کانتور فعال پارامتریک معرفی می‌کند. در روش پیشنهادی با اضافه‌کردن یک انرژی بالون به تابع انرژی مدل کانتور فعال پارامتریک، امکان شناسایی و قطعه‌بندی شیء بافتی در پس‌زمینه بافتی فراهم می‌شود. در این روش، ویژگی‌های بافتی نقاط کانتور با استفاده از تبدیل کانتورلت محاسبه می‌شود، سپس با مقایسه این ویژگی‌ها با ویژگی‌های بافتی شیء هدف که به‌صورت اطلاعات قبلی وجود دارد، جهت حرکت بالون مشخص می‌شود که در نتیجه آن، منحنی کانتور به‌منظور انطباق بر مرزهای شیء هدف منبسط یا منقبض می‌شود. نتایج نشان می‌دهد که روش پیشنهادی نسبت به روش کانتور فعال مبتنی بر ویژگی‌های بافتی گشتاور دارای دقت بالاتری می‌باشد. پرونده مقاله

در بحث ردیابی یکی از ویژگی‌های قابل توجه برای توصیف هدف، ویژگی رنگ است. به کمک هیستوگرام رنگ می‌توان مدل مناسبی برای هدف در نظر گرفت و خطای متغیر اندازه‌گیری را با فاصله باتاچاریا بین هیستوگرام مرجع و هیستوگرام تصویر داوطلب بیان نمود. مکان هدف با تخمین‌گر قوی فیلترهای ذره‌ای تعیین شده و تبدیل افاین دوبعدی هدف به عنوان حالت سیستم لحاظ می‌شود. در نظر گرفتن ویژگی‌های هندسی حرکت افاین به صورت گروه افاین باعث می‌شود نگاشت دوبعدی حرکت شیء هدف به مدل سه‌بعدی واقعی آن نزدیک‌تر باشد. تقریب تابع نمونه‌برداری بهینه فیلتر ذره‌ای از بسط تیلور تابع باتاچاریا حاصل می‌شود. نتایج آزمایش‌ها دقت بالا و مقاومت ردیاب پیشنهادی را در برابر حرکت سریع و پیچیده هدف نسبت به الگوریتم فیلتر ذره‌ای هندسی سطح خاکستری نشان می‌دهد. پرونده مقاله

در اين مقاله الگوريتمی سريع، مطمئن و مقاوم نسبت به انسداد براي رديابي تصويری هدفی از پيش مشخص شده در تصاوير متوالي، بر مبناي تطابق قالب لبه‌هاي هدف با لبه‌هاي فضای جستجو ارائه مي‌گردد. در ابتدا محدوده هدف توسط کاربر مشخص شده و سپس الگوریتم پیشنهادی با انتخاب قوی‌ترین لبه‌های آن، مدلی مناسب برای هدف را مشخص می‌کند. در ادامه برای افزایش مقاومت نسبت به انسداد، مدل هدف به 4 قسمت تقسیم شده و با AND شدن قالب لبه‌های هر قسمت با لبه‌های فضای جستجو و شمارش پیکسل‌های غیر صفر آن، ماتریس تشابه برای هر قسمت از هدف به دست می‌آید. در صورت کمتربودن مقادیر ماتریس تشابه از آستانه‌ای، قسمت مورد نظر مسدود در نظر گرفته شده و در ادامه با در نظر گرفتن تأثیر قسمت‌های نامسدود، مکان هدف در هر قاب مشخص می‌شود. در طی رديابی، در صورت وجود شرایط مناسب با توجه به شرايط پس‌زمينه، مدل لبه‌های هدف به روز می‌گردد. انتخاب قوی‌ترین لبه‌ها، چند قسمت کردن و به روز رسانی قالب هدف، مقاومت الگوریتم را نسبت به چالش‌هایی مانند تغییرات نوری محیط و بروز انسداد بر روی هدف، به همراه امکان تعقيب هدف با دقت بالا را در پی داشته است. سادگی الگوریتم پيشنهادی، امکان پياده‌سازی بلادرنگ آن را به زبان C و در محیط OpenCV فراهم کرده است به گونه‌ای که میانگین سرعت آن توسط رایانه‌ای با فرکانس پردازنده GHZ 6/2 و GB RAM4، به بیش از 60 قاب در ثانیه می‌رسد. مقایسه نتایج این الگوریتم با الگوریتم‌های دیگر نشانگر سرعت بسیار بالاتر و قابلیت اطمینان بیشتر الگوریتم پیشنهادی است. پرونده مقاله