view in publisher's site

Intelligent visual object tracking with particle filter based on Modified Grey Wolf Optimizer

In a visual object tracking technology the particle filter (PF) is frequently used. The main drawback of the particle filter is that a large quantity of particles is required. This paper objectives to propose an evolutionary particle filter based upon Modified Grey Wolf Optimizer (MGWO) which will overcome the impoverishment of the sample problem in the regular PF. For this, firstly a new variant of GWO named as Modified Grey Wolf Optimizer (MGWO) is proposed. This variant works an active trigonometric sine truncated function for confirming the enhanced exploitation and exploration properties. Secondly, the MGWO algorithm is embedded in the PF structure. Before the resampling, by using MGWO, the particles in the PF are optimized. Accordingly, the more significant particles can be expanded, and the particles can estimate the actual state of the target object more precisely. Performance of proposed Modified GWO based particle filter (MGWO-PF) is evaluated on standard visual tracking benchmark databases. Also, the MGWO-PF tracker is compared with the Particle filter (PF), Particle swarm optimization based particle filter (PSO-PF), Firefly algorithm based particle filter (FAPF) and Spider monkey optimization assisted particle filter (SMO-PF). We show that visual object tracking using MGWO-PF provides more reliable and efficient tracking results than other compared methods.

ردیابی اشیا بصری هوشمند همراه با فیلتر ذرات بر پایه Optimizer گرگ تغییر یافته

در یک سیستم ردیابی شی دیداری، فیلتر ذره (پی اف پی)اغلب مورد استفاده قرار می‌گیرد. عیب اصلی فیلتر ذرات این است که مقدار زیادی ذره مورد نیاز است. هدف این مقاله ارایه یک فیلتر ذرات تکاملی براساس upon گرگ Modified (MGWO)است که با کاهش مشکل نمونه در پی پی اف، برطرف خواهد شد. برای این منظور، ابتدا یک نوع جدید از GWO به نام گرگ Grey (MGWO)پیشنهاد شده‌است. این متغیر وابسته به عملکرد ناقص مثلثاتی برای تایید افزایش بهره‌برداری و بهره‌برداری از اکتشاف می‌باشد. دوم، الگوریتم MGWO در ساختار پی اف جاسازی شده‌است. قبل از نمونه‌گیری مجدد، با استفاده از MGWO، ذرات در PF بهینه‌سازی می‌شوند. بر این اساس، ذرات more را می توان گسترش داد و ذرات می‌توانند وضعیت واقعی هدف هدف را دقیق‌تر تخمین بزنند. عملکرد فیلتر ذره پیشنهادی مبتنی بر GWO (MGWO - PF)بر روی پایگاه‌های داده ردیابی دیداری استاندارد ارزیابی شده‌است. همچنین، ردیاب پی اف پی اف با فیلتر ذرات (پی اف پی)، فیلتر ذرات optimization ذرات (PSO)، فیلتر ذرات مبتنی بر الگوریتم Firefly (FAPF)و optimization monkey با کمک فیلتر ذرات (SMO - پی اف)مقایسه می‌شود. ما نشان می‌دهیم که ردیابی شی دیداری با استفاده از MGWO - پی اف، نتایج ردیابی قابل‌اعتمادتر و کارآمدتر را نسبت به روش‌های مقایسه دیگر فراهم می‌کند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Electronic, Optical and Magnetic Materials
  • ترجمه مقاله Electronic, Optical and Magnetic Materials
  • مقاله مواد الکترونیک، نوری و مغناطیسی
  • ترجمه مقاله مواد الکترونیک، نوری و مغناطیسی
  • مقاله Atomic and Molecular Physics, and Optics
  • ترجمه مقاله Atomic and Molecular Physics, and Optics
  • مقاله فیزیک اتمی، مولکولی و اپتیک
  • ترجمه مقاله فیزیک اتمی، مولکولی و اپتیک
  • مقاله Electrical and Electronic Engineering
  • ترجمه مقاله Electrical and Electronic Engineering
  • مقاله مهندسی برق و الکترونیک
  • ترجمه مقاله مهندسی برق و الکترونیک
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.