چکیده فارسی :

این مقاله به تشریح و تعریف متد ردگیری مصور انطباقی می پردازد که در آن ظهور تطبیقی و قابلیت بهینه سازی پروسه تصمیم گیری مارکو با هم ترکیب شده است . اکثر الگوریتم های ردگیری به علت تغییراتی که در ظهور اشیاء در موادری نظیر تغییرات به وجود آمده در شفافیت ، زاویه دید ، مقیاس شیء و شکل شیء دارند ، محدویتهایی را به همراه دارند . ترغیب و انگیزش این مقاله در واقع ناشی از تنزل کارایی ردگیری بوده است که می تواند به عللی نظیر تغییرات در نحوه ظهور اشیاء و کنترل های غیر انعطاف پذیر پارامترهای ردگیری کننده باشد . به منظور درک بهتر این حوزه پژوهشی ، بهینه سازی پارامترهای ردگیری کننده ، علی رغم تاثیرات شگرف آنها بر کارایی ردگیری به خوبی بررسی و ارزیابی نشده اند . در اینجا پالش پیش رو ، تجهیز الگوریتم ردگیری منطبق با قابلیت بهینه سازی است تا بتواند مدل مقاوم تر و منعطف تری را نتیجه دهد . در این مقاله پروسه تصمیم گیری مارکو ، که به صورت موفقعیت آمیزی در بسیاری از سیستم های پویا به کار گرفته شده است ، به منظور بهینه سازی الگوریتم ردگیری مبتنی بر مدل ظهور تطبیقی به کار گرفته شده است . ردگیری مصور تطبیقی به صورت مسئله بهینه سازی پارامتر دینامیک مبتنی بر پروسه تصمیم گیری مارکو با اطلاعات ناکامل و غیر قطعی فرموله سازی شده است . نیازمندی محاسباتی بالا فرموله سازی پروسه تصمیم گیری مارکو نیز از طریق روش اولویت بندی شده یادگیری Q حل شده است . همچنی ماآزمایشاتی را با استفاده از مجموعه ویدیوهای مختلفی انجام داده ایم و نتایج رقابتی و شگفت انگیزی را نیز به دست آورده ایم .

واژگان کلیدی : ردگیری مصور انطباقی ، یادگیری Q اولویت بندی شده ، بهینه سازی پارامتری پویا

چکیده انگلیسی :

This paper introduces an adaptive visual trackingmethod that combines the adaptive appearance model and the optimization capability of theMarkov decision process.Most tracking algorithms are limited due to variations in object appearance from changes in illumination, viewing angle, object scale, and object shape. This paper is motivated by the fact that tracking performance degradation is caused not only by changes in object appearance but also by the inflexible controls of tracker parameters. To the best of our knowledge, optimization of tracker parameters has not been thoroughly investigated, even though it critically influences tracking performance. The challenge is to equip an adaptive tracking algorithm with an optimization capability for a more flexible and robust appearance model. In this paper, the Markov decision process, which has been applied successfully in many dynamic systems, is employed to optimize an adaptive appearance model-based tracking algorithm. The adaptive visual tracking is formulated as a Markov decision process based dynamic parameter optimization problemwith uncertain and incomplete information. The high computation requirements of the Markov decision process formulation are solved by the proposed prioritized Q-learning approach. We carried out extensive experiments using realistic video sets, and achieved very encouraging and competitive results.