Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
Video izleme/ Nesne Takip, bir kamera kullanarak zaman içinde hareket eden bir veya birden çok nesneyi bulma işlemidir. İnsan-bilgisayar etkileşimi, güvenlik ve gözetim, video iletişimi ve sıkıştırma, artırılmış gerçeklik, trafik kontrolü, tıbbi görüntüleme ve video düzenleme gibi çeşitli kullanımları vardır. Video izleme, videonun içerdiği veri miktarı nedeniyle zaman alıcı ve yavaş çalışabilen bir süreç olabilmektedir. Tek başına kullanımda bile zor bir problem olan bu metot, nesne tanıma teknikleriyle birlikte de kullanılarak daha işlevsel hale getirilmektedir.
Amaç
Video izlemenin amacı, hedef nesneleri ardışık video karelerinde ilişkilendirmektedir. Yani amaç, ilk karede bulanan görselin art arda gelen karelerin hepsinde bulunarak işaretlenmesidir. Bu ilişkilendirme durumu, nesneler kare hızına göre daha hızlı hareket ettiğinde zorlaşmaktadır. Sorunun karmaşıklığını artıran diğer bir durum, izlenen nesnenin zaman içinde yönünü değiştirmesidir. Bu sebepten ötürü video izleme sistemleri nesnenin olası hareketleri için hedef görüntüsünün nasıl değişebileceğini açıklayan bir hareket modeli kullanmaktadır.
Hareket modellerine örnekler:
- Düzlemsel bir nesne izlenirken, nesnenin görüntüsü 2 boyuta çevrilebilir.
- Nesne 3 boyutlu olduğunda, nesnenin 3 boyutlu konumu ve yönüne bağlı olarak açısı tanımlanabilir.
- Video sıkıştırma için anahtar kareleri makro bloklara bölme. Bu model, her bir makro bloğun hareket parametreleri tarafından verilen bir hareket vektörünün çevrelediği bir anahtar karenin bozulması üzerine çalışır.
- Deforme olabilen nesnelerin görüntüsü bir ağ ile kaplanabilir. Nesnenin hareketi, ağın düğümlerinin konumu ile tanımlanır.
Algoritmalar
Video izleme gerçekleştirmek için bir algoritma, sıralı video karelerini analiz ederek çerçeveler arasındaki hedeflerin hareketini çıkarmaktadır. Her biri güçlü ve zayıf yönlere sahip çeşitli algoritmalar vardır. Hangi algoritmanın kullanılacağını seçerken amaçlanan kullanımı dikkate almak önemlidir. Görsel izleme sisteminin iki ana bileşeni vardır. Bunlar hedef gösterimi ve yerelleştirme ile filtreleme ve veri ilişkilendirmesidir.
Hedef temsili ve yerelleştirme çoğunlukla aşağıdan yukarıya bir süreçtir. Bu yöntemler, hareketli nesneyi tanımlamak için çeşitli araçlar sağlamaktadır. Hedef nesneyi başarıyla bulmak ve izlemek, algoritmaya bağlıdır. Örneğin, blob izleme kullanmak insan hareketini tanımlamak için kullanışlıdır çünkü bir kişinin profili dinamik olarak değişmektedir. Tipik olarak bu algoritmalar için hesaplama karmaşıklığı düşüktür. Aşağıda bazı yaygın hedef gösterimi ve yerelleştirme algoritmaları verilmiştir:
Çekirdek Tabanlı Takip (Mean-Shift)
Çekirdek Tabanlı (Kernel-Based / MeanShift) izleme, benzerlik ölçüsünün maksimize edilmesine dayanan yinelemeli bir yerelleştirme algoritmasıdır.
Kontur Takibi
Kontur izleme, nesne sınırının tespit edilmesidir. Kontur izleme yöntemi, önceki çerçeveden başlatılan bir ilk konturu geçerli çerçevedeki yeni konumuna yinelemeli olarak geliştirme işlemidir. Bu yaklaşım, gradyan inişini kullanıp kontur enerjisini en aza indirerek konturu doğrudan geliştirimektedir. Bu yöntemler, karmaşık nesnelerin izlenmesine ve engellerin arkasında hareket eden nesneleri izleme gibi daha karmaşık nesne etkileşimine izin vermektedir.
Filtreler
Filtreleme ve veri ilişkilendirme yukarıdan aşağıya bir izlenim şeklinde ilerlemektedir. Ayrıca nesne hakkında önceki bilgileri birleştirmeyi, nesne dinamikleriyle ilgilenmeyi ve farklı hipotezlerin değerlendirilmesini içermektedir.
Ek olarak, izleyici hareket halinde ise karmaşıklık artmaktadır. Burada tipik olarak, kamera sisteminin gerekli dinamiklerini ve bant genişliğini azaltmak için ve izleyiciyi önceden stabilize etmek için bir eylemsizlik ölçüm sistemi kullanılmaktadır. Ancak bu algoritmalar için hesaplama karmaşıklığı genellikle çok daha yüksektir.
Kalman Filtresi
Kalman filtresi, Gauss gürültüsüne maruz kalan doğrusal fonksiyonlar için en uygun özyinelemeli Bayessian filtresidir. Zaman içinde gözlemlenen, gürültü vediğer yanlışlıkları içeren bir dizi ölçümü kullanmaktadır. Ayrıca tek başına bir ölçüme dayalı olanlardan daha kesin olma eğiliminde olan bilinmeyen değişkenlerin tahminlerini üreten bir algoritmadır.
Partikül Filtresi
Parçacık filtresi, doğrusal ve Gauss olmayan süreçlerin temelindeki durum uzayı dağılımını örneklemek için kullanılmaktadır.
Kaynakça
- ^ Mountney, Peter; Stoyanov, Danail; Yang, Guang-Zhong (Temmuz 2010). "Three-Dimensional Tissue Deformation Recovery and Tracking". IEEE Signal Processing Magazine. 27 (4): 14-24. doi:10.1109/MSP.2010.936728. ISSN 1558-0792. 25 Şubat 2021 tarihinde kaynağından . Erişim tarihi: 23 Mayıs 2021.
- ^ Mihaylova, Lyudmila; Brasnett, Paul; Canagarajah, Nishan; Bull, David. Object Tracking by Particle Filtering Techniques in Video Sequences. 4 Mart 2016 tarihinde kaynağından . Erişim tarihi: 23 Mayıs 2021.
- ^ Kato, H.; Billinghurst, M. (Ekim 1999). "Marker tracking and HMD calibration for a video-based augmented reality conferencing system". Proceedings 2nd IEEE and ACM International Workshop on Augmented Reality (IWAR'99): 85-94. doi:10.1109/IWAR.1999.803809. 8 Mart 2021 tarihinde kaynağından . Erişim tarihi: 23 Mayıs 2021.
- ^ . ishikawa-vision.org. 7 Aralık 2019 tarihinde kaynağından arşivlendi. Erişim tarihi: 23 Mayıs 2021.
- ^ . ishikawa-vision.org. 15 Ocak 2020 tarihinde kaynağından arşivlendi. Erişim tarihi: 23 Mayıs 2021.
- ^ Black, James; Ellis, Tim; Rosin, Paul (2003). "A Novel Method for Video Tracking Performance Evaluation". In Joint IEEE Int. Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance (VS-PETS: 125-132. 4 Mart 2016 tarihinde kaynağından . Erişim tarihi: 23 Mayıs 2021.
- ^ . www.imar-navigation.de. 23 Mayıs 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 23 Mayıs 2021.
- ^ Arulampalam, M.S.; Maskell, S.; Gordon, N.; Clapp, T. (Şubat 2002). "A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking". IEEE Transactions on Signal Processing. 50 (2): 174-188. doi:10.1109/78.978374. ISSN 1941-0476. 15 Mayıs 2021 tarihinde kaynağından . Erişim tarihi: 23 Mayıs 2021.
- ^ Knuth, Donald E. (25 Eylül 2013). Art of Computer Programming, Volume 4, Fascicle 4,The: Generating All Trees--History of Combinatorial Generation (İngilizce). Addison-Wesley Professional. ISBN . 23 Mayıs 2021 tarihinde kaynağından . Erişim tarihi: 23 Mayıs 2021.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Video izleme Nesne Takip bir kamera kullanarak zaman icinde hareket eden bir veya birden cok nesneyi bulma islemidir Insan bilgisayar etkilesimi guvenlik ve gozetim video iletisimi ve sikistirma artirilmis gerceklik trafik kontrolu tibbi goruntuleme ve video duzenleme gibi cesitli kullanimlari vardir Video izleme videonun icerdigi veri miktari nedeniyle zaman alici ve yavas calisabilen bir surec olabilmektedir Tek basina kullanimda bile zor bir problem olan bu metot nesne tanima teknikleriyle birlikte de kullanilarak daha islevsel hale getirilmektedir AmacVideo izlemenin amaci hedef nesneleri ardisik video karelerinde iliskilendirmektedir Yani amac ilk karede bulanan gorselin art arda gelen karelerin hepsinde bulunarak isaretlenmesidir Bu iliskilendirme durumu nesneler kare hizina gore daha hizli hareket ettiginde zorlasmaktadir Sorunun karmasikligini artiran diger bir durum izlenen nesnenin zaman icinde yonunu degistirmesidir Bu sebepten oturu video izleme sistemleri nesnenin olasi hareketleri icin hedef goruntusunun nasil degisebilecegini aciklayan bir hareket modeli kullanmaktadir Hareket modellerine ornekler source source source source source source source source Robot elin nesne takibiyle bir topu yakalamasina yonelik calismaDuzlemsel bir nesne izlenirken nesnenin goruntusu 2 boyuta cevrilebilir Nesne 3 boyutlu oldugunda nesnenin 3 boyutlu konumu ve yonune bagli olarak acisi tanimlanabilir Video sikistirma icin anahtar kareleri makro bloklara bolme Bu model her bir makro blogun hareket parametreleri tarafindan verilen bir hareket vektorunun cevreledigi bir anahtar karenin bozulmasi uzerine calisir Deforme olabilen nesnelerin goruntusu bir ag ile kaplanabilir Nesnenin hareketi agin dugumlerinin konumu ile tanimlanir AlgoritmalarVideo izleme gerceklestirmek icin bir algoritma sirali video karelerini analiz ederek cerceveler arasindaki hedeflerin hareketini cikarmaktadir Her biri guclu ve zayif yonlere sahip cesitli algoritmalar vardir Hangi algoritmanin kullanilacagini secerken amaclanan kullanimi dikkate almak onemlidir Gorsel izleme sisteminin iki ana bileseni vardir Bunlar hedef gosterimi ve yerellestirme ile filtreleme ve veri iliskilendirmesidir Hedef temsili ve yerellestirme cogunlukla asagidan yukariya bir surectir Bu yontemler hareketli nesneyi tanimlamak icin cesitli araclar saglamaktadir Hedef nesneyi basariyla bulmak ve izlemek algoritmaya baglidir Ornegin blob izleme kullanmak insan hareketini tanimlamak icin kullanislidir cunku bir kisinin profili dinamik olarak degismektedir Tipik olarak bu algoritmalar icin hesaplama karmasikligi dusuktur Asagida bazi yaygin hedef gosterimi ve yerellestirme algoritmalari verilmistir Cekirdek Tabanli Takip Mean Shift Cekirdek Tabanli Kernel Based MeanShift izleme benzerlik olcusunun maksimize edilmesine dayanan yinelemeli bir yerellestirme algoritmasidir Kontur Takibi Kontur izleme nesne sinirinin tespit edilmesidir Kontur izleme yontemi onceki cerceveden baslatilan bir ilk konturu gecerli cercevedeki yeni konumuna yinelemeli olarak gelistirme islemidir Bu yaklasim gradyan inisini kullanip kontur enerjisini en aza indirerek konturu dogrudan gelistirimektedir Bu yontemler karmasik nesnelerin izlenmesine ve engellerin arkasinda hareket eden nesneleri izleme gibi daha karmasik nesne etkilesimine izin vermektedir FiltrelerFiltreleme ve veri iliskilendirme yukaridan asagiya bir izlenim seklinde ilerlemektedir Ayrica nesne hakkinda onceki bilgileri birlestirmeyi nesne dinamikleriyle ilgilenmeyi ve farkli hipotezlerin degerlendirilmesini icermektedir Ek olarak izleyici hareket halinde ise karmasiklik artmaktadir Burada tipik olarak kamera sisteminin gerekli dinamiklerini ve bant genisligini azaltmak icin ve izleyiciyi onceden stabilize etmek icin bir eylemsizlik olcum sistemi kullanilmaktadir Ancak bu algoritmalar icin hesaplama karmasikligi genellikle cok daha yuksektir Kalman Filtresi Kalman filtresi Gauss gurultusune maruz kalan dogrusal fonksiyonlar icin en uygun ozyinelemeli Bayessian filtresidir Zaman icinde gozlemlenen gurultu vediger yanlisliklari iceren bir dizi olcumu kullanmaktadir Ayrica tek basina bir olcume dayali olanlardan daha kesin olma egiliminde olan bilinmeyen degiskenlerin tahminlerini ureten bir algoritmadir Partikul Filtresi Parcacik filtresi dogrusal ve Gauss olmayan sureclerin temelindeki durum uzayi dagilimini orneklemek icin kullanilmaktadir Kaynakca Mountney Peter Stoyanov Danail Yang Guang Zhong Temmuz 2010 Three Dimensional Tissue Deformation Recovery and Tracking IEEE Signal Processing Magazine 27 4 14 24 doi 10 1109 MSP 2010 936728 ISSN 1558 0792 25 Subat 2021 tarihinde kaynagindan Erisim tarihi 23 Mayis 2021 Mihaylova Lyudmila Brasnett Paul Canagarajah Nishan Bull David Object Tracking by Particle Filtering Techniques in Video Sequences 4 Mart 2016 tarihinde kaynagindan Erisim tarihi 23 Mayis 2021 Kato H Billinghurst M Ekim 1999 Marker tracking and HMD calibration for a video based augmented reality conferencing system Proceedings 2nd IEEE and ACM International Workshop on Augmented Reality IWAR 99 85 94 doi 10 1109 IWAR 1999 803809 8 Mart 2021 tarihinde kaynagindan Erisim tarihi 23 Mayis 2021 ishikawa vision org 7 Aralik 2019 tarihinde kaynagindan arsivlendi Erisim tarihi 23 Mayis 2021 ishikawa vision org 15 Ocak 2020 tarihinde kaynagindan arsivlendi Erisim tarihi 23 Mayis 2021 Black James Ellis Tim Rosin Paul 2003 A Novel Method for Video Tracking Performance Evaluation In Joint IEEE Int Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance VS PETS 125 132 4 Mart 2016 tarihinde kaynagindan Erisim tarihi 23 Mayis 2021 www imar navigation de 23 Mayis 2021 tarihinde kaynagindan arsivlendi Erisim tarihi 23 Mayis 2021 Arulampalam M S Maskell S Gordon N Clapp T Subat 2002 A tutorial on particle filters for online nonlinear non Gaussian Bayesian tracking IEEE Transactions on Signal Processing 50 2 174 188 doi 10 1109 78 978374 ISSN 1941 0476 15 Mayis 2021 tarihinde kaynagindan Erisim tarihi 23 Mayis 2021 Knuth Donald E 25 Eylul 2013 Art of Computer Programming Volume 4 Fascicle 4 The Generating All Trees History of Combinatorial Generation Ingilizce Addison Wesley Professional ISBN 978 0 13 270234 8 23 Mayis 2021 tarihinde kaynagindan Erisim tarihi 23 Mayis 2021