روش های قطعی با به کارگیری یک روش جستجوی تکراری برای یافتن ماکزیمم محلی تابع هزینه شباهت بین تصویر الگو و تصویر جاری به شدت مورد استفاده قرار می گیرد. معیارهای اندازه گیری بهتر و بهینه تری همچون الگوریتم انتقال میانگین و الگوریتم ردیابی مبتنی بر مدل[3] به عنوان تابع هزینه مورد استفاده قرار می گیرد. روش های قطعی از روش های اکتشافی حرکت کیفی به منظور محدود کردن مشکل تطابق استفاده می کنند و شی ردیابی شده را در هر فریم به وسیله جستجوی تکراری برای یک ناحیه که بیشترین شباهت بین این ناحیه و پنجره شی وجود دارد را نمایش می دهد. این روش ها از نظر محاسباتی کارا هستند و به در هم ریختگی پس زمینه، نویز ، انسداد و حرکت سریع اشیا حساس هستند. از طریف دیگر روش های تصادفی به طور واضح و صریح اندازه گیری شی را انجام می دهند و از فضای حالت به منظور مدلسازی حرکات سیستم های ردیابی استفاده می نمایند. در مدل گوسین و خطی از فیلتر کالمن استفاده می شود که فیلتر کالمن میانگین و کوواریانس توزیعات را منتشر کرده و به روزرسانی می نمایند. برای مسائل غیر خطی و غیرگوسین این امکان وجود ندارد که توزیع ها را به صورت تحلیلی مورد ارزیابی قرار داد به همین دلیل الگوریتم های متعددی برای تخمین این توزیع ها به وجود آمده است. از جمله این الگوریتم ها و روش ها فیلتر ذره یا روش مونت کارلو ترتیبی است.

روش فیلتر ذره یک روش عددی است که اجازه می دهد یک راه حل تقریبی جهت تخمین پی در پی پیدا شود و برای مسائل غیرگوسین و غیرخطی می تواند بسیار موفق باشد. ایده اولیه فیلتر ذره در سال 1949 توسط آقای متروپلیس مطرح شد که بررسی جزییات مجموعه ای از ذره ها را به جای یک ذره را مورد مطالعه قرار داد[4]. اما در سال 1945 یکی از اولین ایده های اصلی تر و پایه و اساس فیلتر ذره با محاسبه و بکارگیری الگوریتم مونت کارلو توسط آقایان همرسلی و مورتون ارائه گردید. فیلتر ذره یک مبحث کاملا آماری می باشد و دلیل مطرح شدن آن این است که بتواند برای مسائلی به کار گرفته شود که تخمین آنها توسط فیلتر کالمن مشکل باشد.

[1] Deterministic method

[2] Scholastic method

[3] Model based tracking

[4] Metropolis, Nicholas, and Stanislaw Ulam. “The monte carlo method.” Journal of the American statistical association 44.247 (1949): 335-341.

لینک دانلود فیلم آموزشی کامل فیلتر ذره

در چند قسمت اول این فیلم آموزشی تئوری فیلتر ذره توضیح داده می شود. اسلایدهای استفاده شده در این آموزش از سیمنار پیاده سازی الگوریتم های مختلف توسط شرکت mathworks در ژاپن استخراج شده اند.

قسمت های پایانی اختصاص به برنامه نویسی متلب فیلتر ذره دارد و چندین مثال از ردیابی شی در ویدئو آورده می شود.

سرفصل مطالب :

حلقه بزرگ در پیاده سازی الگوریتم

فیلتر ذره چیست ؟

چگونه یک شی را در ویدئو ردیابی کنم ؟

چگونه کد فیلتر ذره particle filter را در متلب پیاده سازی کنیم ؟

چرا از معادلات دیفرانسیل برای پیش بینی مکان بعدی شی استفاده نکنیم و از فیلتر ذره استفاده می کنیم ؟

مدل فضای حالت فیلتر ذره

مدل سیستم system

مدل مشاهده observation

هدف از فیلتر ذره چیست؟

تعداد ذرات فیلتر کم یا زیاد خوب است ؟

الگوریتم فیلتر ذره

پیش بینی prediction

فیلتر filtering

میعار انتخاب ذرات چیست؟

شباهت فیلتر ذره و الگوریتم بهینه سازی تجمعی ذرات PSO

معرفی سمبل های مورد استفاده در تئوری فیلتر ذره

میعار likelihood

نحوه تغییر شش ذره در فیلتر ذره به صورت نموداری

رابطه محاسبه موقعیت و سرعت جدید ذرات

فرق بین متغییر state و متغییر observable

برنامه نویسی متلب فیلتر ذره

توضیح خط به خط کد

معرفی پارامترهای خروجی دستور خواندن ویدئو

فرمول update ذرات

تاثیر فاصله دوربین

تاثیر محو شدن هدف در تصویر

تاثیر تعداد ذرات در نتیجه فیلتر ذره

تاثیر انحراف معیار موقعیت و سرعت

پیش نمایش 1 :

لینک دانلود پیش نمایش 1 (کیفیت اصلی)

لینک مشاهده در آپارات

لینک تخته سفید

لینک یوتیوب youtube

پیش نمایش 2 :

لینک دانلود پیش نمایش 2 (کیفیت اصلی)

لینک مشاهده در آپارات

لینک تخته سفید

لینک یوتیوب youtube

نوشته آموزش فیلتر ذره particle filter اولین بار در ايران متلب. پدیدار شد.

ردیابی افراد در ویدئو با فیلتر ذره و شار نوری

ردیابی اشیا متحرک یکی از مبحاث  چالش برانگیز در حوزه بینایی ماشین دردهه اخیرمی باشد. دلیل نیاز به ردیابی اشیا متحرک آنالیز و فهم داده های موجود در تصویر و یافتن خودکار یک شی مشابه در فریم متوالی است. یک سیستم ردیابی برای کاربردهای مختلف که توانایی پاسخگویی سریع به رویدادها و توانایی مشاهده اشیا را داشته باشد، مورد نیاز می باشد. به همین دلیل از دهه پیش تاکنون توجه زیادی به موضوع ردیابی اشیای متحرک شده است. به منظور آنالیز داده در صحنه ها و محیط های پیچیده می بایست عملیات ردیابی اشیا را توسعه و گسترش داد که به این منظور تحقیقات گسترده ای در حوزه ردیابی اشیای متحرک صورت گرفته است که این تحقیقات گسترده در نتیجه توسعه و گسترش و پیشرفت علم پردازش تصویر ایجاد شده است. همچنین، ردیابی اشیا متحرک به عنوان یک حوزه تحقیقاتی فعال در زمینه بینایی ماشین در سال های اخیر مطرح می باشد که کاربردهای گسترده ای در حوزه ربات های هوشمند ، نظارت و مراقبت، تعامل بین انسان و کامپیوتر، ساختمان های هوشمند، ردیابی وسایل نقلیه، تصویربرداری پزشکی و …. دارد. سیستم های مراقبتی و نظارتی ویدیویی مقاوم می بایست به محل نصب دوربین وابسته نباشند و همچنین این سیستم ها می بایست در مقابل تغییرات روشنایی محیط مقاوم باشند. به علاوه، این سیستم ها می بایست توانایی انطباق با تغییرات روشنایی و تغییرات ناشی از حرکت اشیا را داشته باشند. تحقیات اخیر تلاش بسیار زیادی برای توسعه سیستم ردیابی قابل تطبیق انجام داده اند به گونه ای که این سیستم ها به اندازه کافی برای کنترل تغییرات بیرونی همچون تغییرات روشنایی و انسداد[1] اشیای چندگانه مفید واقع می شوند. بسیاری از کاربردهای ردیابی اشیای متحرک به وجود آمده اند که به صورت خودکار حوادث اتفاق افتاده را تشخیص دهند. به منظور تشخیص و درک بهتر این رخدادها نیازمند به انجام عملیات بینایی ماشین سطح پایین هستیم. از جمله این عملیات سطح پایین می توان به کنترل و مدیریت انسداد و تشخیص حرکات غیر معمول اشاره نمود[2].  در طی چند سال اخیر تحقیقاتی بر روی تکنولوژی آنالیز ویدئویی هوشمند، مخصوصا در حوزه ردیابی مسیر حرکت شی صورت گرفته است. مسیر حرکت شی در واقع توصیفی بر حرکت فیزیکی اشیای در حال حرکت می باشد که در طول زمان تغییر می کنند. ردیابی مسیر اصولا به تخمین ویژگی های عمومی اهمیت می دهد و ویژگی های محلی همچون چرخش و خمیدگی را نادیده می گیرد. علاوه بر آن می توان شکل لبه و رنگ و توصیف گرهای ویژگی بافتی را با هم ترکیب نمود تا مسیرهای مختلف شی تشخیص داده شود.

ردیابی مسیر شی شامل سه قسمت می باشد : شناسایی جهت شی و پیش بینی آن و در نهایت توصیف مسیر. قبل از انجام عمل ردیابی مسیر شی لازم است که شی از پس زمینه و سایر اشیا تشخیص داده شود.

لینک دانلود فیلم آموزشی

نوشته ردیابی افراد در ویدئو با فیلتر ذره اولین بار در ايران متلب. پدیدار شد.

یکی از ابزارهای خیلی پر کاربرد در پردازش ویدئو particle filter می باشد . که خیلی زیاد در کاربرد دنبال کردن (tracking) در ویدئو مورد استفاده قرار می گیرد.

ما در این پست می خواهیم برای شما کدهای تست شده MATLAB فیلتر ذره (particle filter) را قرار دهیم و یک توضیح خلاصه از روند الگوریتم آن برای شما بیاوریم.

دو PDF بسیار بسیار عالی که با زبانی ساده و روان مفهوم particle filter را آموزش می دهد :

PDF 1

 Algorithm development using MATLAB – Object tracking by particle filter –

PDF 2

 Object Tracking

رديابي اشياء(Object Tracking)

سيستمهاي هوشمند، سيستمهايي هستند كه خود به تنهايي و بطور خودكار اعمال خاصي انجام مي‌دهند . در برخي از اين سيستمها ، رديابي از بخشهاي عمده سيستم محسوب مي‌شود . سيستمهاي نظامي هوشمند و روبوت‌ها نمونه‌هايي از اين سيستمها هستند.

رديابي روشهاي خاصي دارد كه براي موارد گوناگون قابل استفاده است. روشهاي تخمين Kalman filter ، استفاده از Particle filter ، روشهاي Wavelet و Segmentation از جمله روشهاي قابل استفاده براي رديابي هستند .

موارد استفاده از آنها در سيستمهاي تعيين موقعيت جهاني(GPS) ، رادار ، رديابي هدف ، ماشين بينايي و كاربردهاي مربوط به رباتيك است.

چند کد نوشته شده در m-file متلب برای فیلتر ذره ای

دانلود پنچ كد آماده فيلتر ذره

نوشته Particle filter (فیلتر ذره) اولین بار در ايران متلب. پدیدار شد.