رديابي وفقي اهداف متحرك هوايي بر اساس اطلاعات رنگ با استفاده از الگوريتم صافي ذره

Adaptive Tracking of Aerial Moving Targets, Based on Color Information Using Particle Filter Algorithm

در اين مقاله با استفاده از صافي ذره و بهرهگيري از اطلاعات رنگ اهداف، روشي به منظور رديابي اهداف متحرك هوايي ارايه شده است. تعيين تعداد مراحل بازنمونه برداري در الگوريتم فيلترذره از عوامل مهم تاثيرگذار در مدت زمان پردازش هر فريم ميباشد. در مقاله حاضر با تغيير شعاع كرنل گوسي متناسب با ابعاد هدف، اين مراحل در هر فريم بهصورت وفقي تعيين شده كه منجر به كاهش زمان پردازش تاحدود يكپنجم شدهاست. با تخمين چگالي كرنل، هيستوگرام وزندارشده مولفههاي رنگي مدل هدف بهدست آمده و با لحاظ نمودن واريانس يك نويز تصادفي در محل حاضر، موقعيت ذرات كانديد در فريم بعد پيشگويي ميشوند. همچنين هيستوگرام وزندارشده مولفههاي رنگي اين ذرات كانديد با همان چـگالي كـرنل، به عنوان مـدل ذرات كانديد با مـدل هـدف مقايسه شده و توسط فاصـله باتاچاريا، ذرات كانديد وزندار ميگردند. الگوريتم بازنمونهبـرداري با تـعداد مـراحل وفـقي، موقـعيت هدف را در فـريم بعدي تخـمين ميزند. سرانجام شعاع كرنل با لبهيابي، بر تغييرات مدل هدف منطبق ميشود.

In this paper, we present a new method for tracking of aerial moving targets whit used of particle filter in a color model-based framework to track the aerial moving objects. Determining the number of levels of resampling in particle filter algorithm plays an important role in the time duration of each video frame processing. This number of stages have been adaptively determined by changing the radius of Gaussian kernel which is in proportion to target size. This can lead to considerable reduction in processing time (about 1/5). By estimating the kernel density the weighted histogram of the target model is obtained and by considering random noise variance at this place, the position of candidate particles will be predicted for the next frame. The weighted histogram of the particles with the very kernel density is compared with the target model candidate while the particle candidate will be weighted by Bhattacharyya distance. The resampling algorithm with the adaptive stage numbers, estimates the target position in the next frame. Finally, using edge detection, the radius of the kernel will be matched on target model variations.