•  
  •  
 

Abstract

Mean shift is a fast object tracking algorithm that only considers pixels in an object area, hence its relatively small computational load. This algorithm is suitable for use in real-time conditions in terms of execution time. The use of histograms causes this algorithm to be relatively resistant to rotation and changes in object size. However, its resistance to lighting changes is not optimal. This study aims to improve the performance of the algorithm under lighting changes and reduce its processing time. The proposed technique involves the use of sampling techniques to reduce the number of iterations, optimization of candidate search object locations using simulated annealing, and addition of tolerance parameter to optimize object location search and area-based weighting instead of the Epanechnikov kernel. The results of the one-tail t-test with two independent sample groups reveal that the average performance of the proposed algorithm is significantly better than that of the traditional mean-shift algorithm in terms of resistance to lighting changes and processing time per video frame. In the test involving 999 frames of video images, the average processing time of the proposed algorithm is 83.66 ms, whereas that of the traditional mean-shift algorithm is 116.86 ms.

Bahasa Abstract

Algoritma Pelacakan Objek Berbasis Mean-Shift Dengan Sistematik Sampling. Mean-shift adalah algoritma pelacakan objek yang cepat karena hanya mempertimbangkan piksel pada area objek. Selain itu, algoritma ini memiliki beban komputasi yang lebih kecil sehingga sangat sesuai untuk digunakan dalam kondisi waktu nyata dalam hal waktu eksekusi. Penggunaan histogram citra menyebabkan algoritma ini relatif tahan terhadap rotasi dan perubahan ukuran objek. Namun, daya tahan algoritma terhadap perubahan pencahayaan belum optimal. Penelitian ini bertujuan untuk memperkenalkan penggunaan teknik sampling pixel untuk mengurangi beban data yang perlu diolah dalam pemrosesan dan meningkatkan kinerja algoritma dalam kondisi perubahan pencahayaan. Teknik yang diusulkan meliputi penggunaan teknik pengambilan sampel untuk mengurangi jumlah iterasi, optimalisasi lokasi objek pencarian kandidat menggunakan Algoritma Simulated Annealing, penambahan parameter toleransi untuk mengoptimalkan pencarian lokasi objek, dan pembobotan berbasis area sebagai pengganti kernel Epanechnikov. Dengan menggunakan statistik uji one tail t-test dengan dua kelompok sampel independen, hasil tes menunjukkan bahwa rata-rata kinerja algoritma yang diusulkan lebih cepat secara signifikan daripada algoritma mean-shift dalam hal waktu pemrosesan per frame video dan ketahanan terhadap perubahan pencahayaan. Hasil pengujian dengan 999 frame gambar video memberikan rata-rata waktu pemrosesan dari algoritma yang diusulkan adalah 83,66 ms sedangkan algoritma mean-shift adalah 116,86 ms.

References

  1. K. Mutijarsa, Y. Bandung, L.B. Subekti, TELKOMNIKA 15/4 (2017) 1901.
  2. Y. Bandung, K. Mutijarsa, L.B. Subekti, Int. Symp. Electron. Smart Devices (2017) 6.
  3. G. Liu, S. Liu, K. Muhammad, S. Member, IEEE Access 6 (2018) 29283.
  4. Q. Liu, X. Lu, Z. He, C. Zhang, W. S. Chen, Knowl.-Based Syst. 134 (2017) 189.
  5. U.A. Agrawal, IEEE International Conference on Signal Processing, Computing and Control (ISPCC), 2017, p.187.
  6. G.S. Walia, S. Raza, A. Gupta, R. Asthana, K. Singh, Expert Syst. Appl. 78 (2017) 208.
  7. T. Mahalingam, M. Subramoniam, Appl. Comput. Informatics (2018) 1.
  8. G. Lee, R. Mallipeddi, M. Lee, Expert Syst. Appl. 80 (2017) 46.
  9. F. Hidayat, B.R. Trilaksono, H. Hindersyah, Int. J. Electr. Eng. Informatics 9/4 (2017) 632.
  10. C. Aynaud, C. Bernay-Angeletti, R. Aufrere, L. Lequievre, C. Debain, R. Chapuis, IEEE Robot. Autom. Mag. 24/3 (2017) 65.
  11. L. Yulianti, B.R. Trilaksono, A.S. Prihatmanto, W. Adiprawita, Int. J. Electr. Eng. Informatics 8/3 (2016) 676.
  12. H. Zhang, Y. Wang, L. Luo, X. Lu, M. Zhang, Neurocomputing 249 (2017) 253.
  13. X. Zhang, Y. Cui, D. Li, X. Liu, F. Zhang, Opt.-Int. J. Light Electron Opt. 123/20 (2012) 1891.
  14. J. Jeong, T. Sung, J. Bae, Expert Syst. Appl. 79 (2017) 194.
  15. I.A. Iswanto, B. Li, Procedia Comput. Sci. 116 (2107) 587.
  16. Y. Deng, F. Liu, J. Chen, G. Su, Optik (Stuttg). 125/16 (2014) 4572.
  17. J. Zhou, Z. Li, C. Fan, IET Image Process. 9/5 (2015) 389.
  18. A. Ardiansyah, 2018 Int. Conf. Appl. Eng. (2018) 1.
  19. A. Mahali, M. Izzuddin; Harjoko, J. Math. Nat. Sci. 24/2 (2014) 167.
  20. R. Qin, S. Member, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 8/5 (2015) 1974.
  21. Q. Li, S. Ural, J. Anderson, J. Shan, S. Member, IEEE Trans. Geosci. Remote Sens. 54/12 (2016) 7112.
  22. P. Kalaiselvi, S. Nithya, IOSR J. Comput. Eng. 14/3 (2013) 79.
  23. A. Shashua, T. Riklin-raviv, IEEE Trans. Pattern Anal. Mach. Intell. 23/2 (2001) 129.
  24. H. Wang, S.Z. Li, Y. Wang, (2004) 2.
  25. D. Comaniciu, V. Ramesh, Proc. IEEE Conf. Comput. Vis. Pattern Recognition CVPR 200, 2/7 (2000) 142.
  26. D. Comaniciu, V. Ramesh, IEEE Trans. Pattern Anal. Mach. Intell. 25/5 (2003) 564.
  27. P.A. Mar, J. Lorenzo-navarro, M. Castrill, 3.
  28. H.A. Sturges, J. Am. Stat. Assoc. 21/153 (1926) 65.
  29. Y. Zhang, X. Li, 2011 4th International Congress on Image and Signal Processing, 2011, p.974.

Download

Share

COinS
 
 

To view the content in your browser, please download Adobe Reader or, alternately,
you may Download the file to your hard drive.

NOTE: The latest versions of Adobe Reader do not support viewing PDF files within Firefox on Mac OS and if you are using a modern (Intel) Mac, there is no official plugin for viewing PDF files within the browser window.