بخشی از مقاله
ردیابی شیء یکی از موضوعات مهم در زمینه بینایی ماشین محسوب میشود و اهداف ردیابی بصری شی یک عملیات بصری کامپیوتری است که میتواند در دامنههای بسیاری بکار برده شود. در این راستا ، مقاله حاضر تاثیرات فیلترهای همبستگی را در ردیابی شئی مورد بررسی قرار داده است . فیلتر همبستگی قابل تطبیق یک بلوک محاسباتی است که بصورت بیدرنگ و تکرار شونده نسبت دو سیگنال را به هم مدل مینمایدو یک مقولهی کلیدی برای موفقیت یک ردیاب شئی است. در این مقاله ، نوع جدیدی از فیلترهای همبستگی، فیلتر مجموع حداقل بازده مربعات خطا - MOSSE - معرفی میشود که فیلترهای همبستگی پایدار هستند.
امروزه با گسترش روز افزون روش های مختلف اخذ اطلاعات گسسته مانند پویشگرها و دوربین های دیجیتالی پردازش تصویر کاربرد فراوانی یافته است. پردازش تصویر به دلایل فراوان از جمله جذابیتهای ویژه و کاربردهای متنوع در زمینه های گوناگون صنعتی یکی از موضوعات مورد علاقه بسیاری از متخصصان الکترونیک و کامپیوتر بوده که در نهایت میتواند با پیاده سازی سخت افزاری به محصولات تجاری ارزشمندی تبدیل شود ارزیابی کیفیت تصاویرو ردیابی آنها از جمله مباحث پرکاربرد در مسائل مربوط به الگوریتم های پردازش تصویر است.و فیلترهای تطبیقی یک بلوک محاسباتی است که بصورت بیدرنگ و تکرار شونده نسبت دو سیگنال را به هم مدل می نماید. این فیلترها گاه به صورت تعدادی دستورالعمل بر روی یک پردازنده محاسباتی مثل میکروکنترلرها و یا DSP ها پیادهسازی میشوند و گاهی هم به صورت بلوکهای منطقی بر روی FPGA ها و یا قطعات مجتمع VLSI دیده میشوند.
.2 ردیابی شئی
در ردیابی شی هدف به دست آوردن مکان شی در طول تصویربا دانستن مکان آن در فریم اول است مکان شی معمولا توسط یک مستطیل نشان داده میشود که در برگیرنده شی مورد ردیابی - شی هدف - است. یکی از روشهای متداول برای مشخص کردن مکان شی در ویدیو استفاده از پارامتر آفین - متغیر حالت - است که با کمک آن میتوان طول، عرض، مختصات مرکز، زاویه و اریبی چهار ضلعی حاوی شی هدف را بدست آورند. شکل:1 نمایش یک مجموعه داده به همراه پاسخ مبنا ردیابی شیء یکی از موضوعات مهم در زمینه بینایی ماشین محسوب میگردد. امروزه تشخیص و ردیابی شیء در بخشهای مختلف صنعت مانند نظارت، کنترل امنیت، جستجو به منظور نجات و حتی زمینههای دفاعی از ویژگیهای خاصی برخوردار است.
.3 .فیلترهای همبستگی تطبیقی
به موازات آن فیلترهای تطبیقی درتشخیص هدف بیشترین کاربرد را دارد واگر پارامترهای سیستم و یا وضعیت سیگنالها در حال تغییرباشند ، فیلتر باید طوری تنظیم شود که این تغییرات را پیش بینی نماید . در فیلترهای FIR و IIR معمولی فرض بر این است که پارامترها - از فرآیند که ویژگیهای فیلتر را تعیین مینمایند - ، معین باشند. ممکن است که پارامترهای فیلتر با زمان تغییر پیدا کنند، ولی ماهیت این تغییرات قابل پیشبینی است. اما در بسیاری از مسائل عملی پارامترهای سیستم به دلیل عدم قطعیت و به دلیل تأثیر سیگنالهای غیر قابل پیشبینی و همچنین عدم وجود اطلاعات کافی برخی از پارامترها در طول زمان تغییر پیدا میکنند و این تغییرات غیرقابل پیشبینی میشود. در حقیقت ضرایب یک فیلتر تطبیقی طوری تغییر پیدا میکند تا تغییرات در سیگنالهای ورودی، خروجی و پارامترهای سیستم را تنظیم نمایدو به جای اینکه اینگونه فیلترها صلب باشند، در عوض میتوانند ویژگیهای سیگنالی را با تغییرات آهسته ایجاد کنند ودر این صورت فیلتر تطبیقی در مواردی که مشخصه یک سیگنال معین نیست و یا ویژگیها تغییر میکنند، بیشترین استفاده را خواهد داشت.
شکل :2 ساختار ابتدایی یک فیلتر تطبیقی شکل فوق ساختار یک فیلتر تطبیقی ساده را نمایش میدهد که در آن خروجی فیلتر یعنی سیگنال y با سیگنال مطلوب d مقایسه میشود و سیگنال خطا را میسازد و به فیلتر تطبیقی بازخورد پیدا کرده و ضرایب آن را به روزکند.
.4 روش های فیلتر های تطبیقی:
روش حداقل میانگین مربعات : - LMS - این نوع از فیلترهای تطبیقی طوری ضرایب فیلتر را تغییر میدهند که میانگین مربعات خطا - تفاضل سیگنال ورودی و سیگنال مطلوب - را به حداقل برساند. این فیلتر از روش نزول شیب تصادفی استفاده میکند و مقدار خطای فعلی ضرایب را تغییر میدهد. این فیلتر در سال 1960 و در دانشگاه استنفورد توسط برنارد ویدرو ابداع گردید . روش بازگشتی حداقل مربعات - : - RLS در این روش ضرایب فیلتر به طور بازگشتی طوری تعیین میگردند که تابع هزینه مربعات خطا به کمترین مقدار برسد. این روش در تضاد با روشهایی مانند LMS است که در آنها کمترین میانگین مربعات خطا مدنظر است. در روش RLS فرض بر این است که ورودی معین است در حالیکه در روش LMS ورودی تصادفی درنظرگرفته میشود. این روش در مقایسه بسیار سریع همگرا میشود و حجم محاسباتی زیاد و پیچیدهای را نیز به همراه دارد. شکل زیر شمای کلی یک فیلتر با الگوریتم بهروزرسانی RLS را نشان میدهد.
