Sztuczne sieci neuronowe o radialnych funkcjach bazowych do śledzenia obiektów w obrazach wideo

• Autorzy: Szymonik J.

Warianty tytułu

EN

Artificial neural networks with radial basis functions for video object tracking

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono opis sztucznej sieci neuronowej do lokalizacji i śledzenia obiektu w obrazach wideo z wykorzystaniem środowiska MATLAB oraz wyniki badań odporności algorytmu na mogące wystąpić zakłócenia. W artykule zaprezentowana została architektura sztucznej sieci neuronowej o radialnych funkcjach bazowych. Pokazany został zarówno algorytm śledzenia celu z wykorzystaniem powyższej architektury sieci, jak i metoda modelowania oraz lokalizacji celu. W podsumowaniu przedstawione zostały wyniki przeprowadzonych symulacji algorytmów śledzących opartych na sztucznych sieciach neuronowych.

EN

The main problem considered in this article was the artificial neural network design for target localization and target tracking in video sequence, with the use of Matlab environment. What is more, the algorithm resistance to noise and disturbances that may occur was studied. The article presents the architecture of artificial neural network with radial basis functions. The algorithm for tracking as well as the method for target modeling and localization with the use of the above network architecture is shown. In the summary there are results of conducted simulations in Matlab of video trackers based on artificial neural networks.

Słowa kluczowe

PL

śledzenie obiektów; sztuczne sieci neuronowe; radialne funkcje bazowe

EN

object tracking; artificial neural networks; radial basis functions

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Biuletyn Instytutu Systemów Informatycznych
• Rocznik: 2013
• Tom: nr 11
• Strony: 33--39
• Opis fizyczny: Bibliogr. 12 poz., il., rys.

Twórcy

autor

Szymonik J.

• Instytut Systemów Informatycznych, Wydział Cybernetyki Wojskowa Akademia Techniczna ul. Gen. S. Kaliskiego 2, 00-908 Warszawa

Bibliografia

• [1] J. Ahmed, M. N. Jafri, J. Ahmad, M. I. Khan, „Design and Implementation of a neural Network for Real-time Object Tracking”, World Academy of Science, Engineering and Technology, 6/2005.
• [2] A. Ameliańczyk, Optymalizacja wielokryterialna w problemach sterowania i zarządzania, Ossolineum, Wrocław, 1984.
• [3] A. Ameliańczyk, „Matematyczne aspekty modelowania pajęczynowego obiektów”, Biuletyn Instytutu Systemów Informacyjnych, nr 4, str. 9-16 (2009).
• [4] A. Ameliańczyk, „Multicriteria similarity models in medical diagnostics support algorithms”, Bio-Algorithms and Med-systems, vol. 21, no. 1(2013).
• [5] A. Bartkowiak, sieci Neuronowe. Notatki Rozszerzone ANN08, Uniwersytet Wrocławski, grudzień 2008.
• [6] C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, Oxford, 2005.
• [7] Z. Ghahramani, Learning Bayesian Networks, Department of Computer science, University of Toronto, Canada, October 1997.
• [8] G. B. Huang, Q. Y. Zhu, C. K. Siew, „Extreme learning machine: Theory and applications”, Neurocomputing 70 (2006).
• [9] E. Maggio, A. Cavallaro, Video Tracking Theory and Practice, Wiley, 2011.
• [10] S. Osowski, Sieci Neuronowe w Ujęciu Algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa 1997.
• [11] R. Rojas, A short proof of the posterior probability property of classifier neural networks, Institut für Informatik, Freie Universität, Berlin 1996.
• [12] R. Venkatesh Babu, S. Suresh, A. Makur, ”Online adaptive radial basis function networks for robust object tracking”, Comput. Vis. Image Understand., 2009.