دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: موجک و پردازش سیگنال ویرایش: 1 نویسندگان: Dubuisson. Séverine سری: Digital signal and image processing series ISBN (شابک) : 9781848216037, 9781119053910 ناشر: Wiley-ISTE سال نشر: 2015 تعداد صفحات: 223 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 مگابایت
کلمات کلیدی مربوط به کتاب ردیابی با فیلتر ذرات برای مشاهدات بعدی و فضاهای حالت: ابزار دقیق، پردازش سیگنال، روش های آماری
در صورت تبدیل فایل کتاب Tracking with Particle Filter for High-dimensional Observation and State Spaces به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب ردیابی با فیلتر ذرات برای مشاهدات بعدی و فضاهای حالت نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این عنوان مربوط به استفاده از یک چارچوب فیلتر ذرات برای ردیابی اجسام تعریف شده در فضاهای حالت با ابعاد بالا با استفاده از فضاهای مشاهده با ابعاد بالا است. برنامه های کاربردی ردیابی کنونی ما را ملزم به در نظر گرفتن مدل های پیچیده برای اشیا (اشیاء مفصلی، اشیاء متعدد، قطعات متعدد و غیره) و همچنین انواع مختلف اطلاعات (دوربین های متعدد، روش های متعدد و غیره) می کنند. این کتاب برخی از تحقیقات اخیر را ارائه میکند که گلوگاه اصلی چارچوبهای فیلتر ذرات (فضاهای حالت با ابعاد بالا) را برای ردیابی در چنین شرایط دشواری در نظر میگیرد.
This title concerns the use of a particle filter framework to track objects defined in high-dimensional state-spaces using high-dimensional observation spaces. Current tracking applications require us to consider complex models for objects (articulated objects, multiple objects, multiple fragments, etc.) as well as multiple kinds of information (multiple cameras, multiple modalities, etc.). This book presents some recent research that considers the main bottleneck of particle filtering frameworks (high dimensional state spaces) for tracking in such difficult conditions
Content: NOTATIONS ix INTRODUCTION xi CHAPTER 1. VISUAL TRACKING BY PARTICLE FILTERING 1 1.1. Introduction 1 1.2. Theoretical models 2 1.2.1. Recursive Bayesian filtering 2 1.2.2. Sequential Monte-Carlo methods 4 1.2.3. Application to visual tracking 8 1.3. Limits and challenges 18 1.4. Scientific position 22 1.5. Managing large sizes in particle filtering 22 1.6. Conclusion 26 CHAPTER 2. DATA REPRESENTATION MODELS 29 2.1. Introduction 29 2.2. Computation of the likelihood function 30 2.2.1. Exploitation of the spatial redundancy 31 2.2.2. Exploitation of the temporal redundancy 42 2.3. Representation of complex information 50 2.3.1. Representation of observations for movement detection, appearances and disappearances 50 2.3.2. Representation of deformations 53 2.3.3. Multifeature representation 56 2.4. Conclusion 75 CHAPTER 3. TRACKING MODELS THAT FOCUS ON THE STATE SPACE 79 3.1. Introduction 79 3.2. Data association methods for multi-object tracking 80 3.2.1. Particle filter with adaptive classification 84 3.2.2. Energetic filter for data association 87 3.3. Introducing fuzzy information into the particle filter 95 3.3.1. Fuzzy representation 96 3.3.2. Fuzzy spatial relations 98 3.3.3. Integration of fuzzy spatial relations into the particle filter 99 3.4. Conjoint estimation of dynamic and static parameters 114 3.5. Conclusion 119 CHAPTER 4. MODELS OF TRACKING BY DECOMPOSITION OF THE STATE SPACE 123 4.1. Introduction 123 4.2. Ranked partitioned sampling 126 4.3. Weighted partitioning with permutation of sub-particles 133 4.3.1. Permutation of sub-samples 135 4.3.2. Decrease the number of resamplings 138 4.3.3. General algorithm and results 138 4.4. Combinatorial resampling 142 4.5. Conclusion 149 CHAPTER 5. RESEARCH PERSPECTIVES IN TRACKING AND MANAGING LARGE SPACES 151 5.1. Tracking for behavioral analysis: toward finer tracking of the "future" and the "now" 153 5.2. Tracking for event detection: toward a top-down model 156 5.3. Tracking to measure social interactions 159 BIBLIOGRAPHY 163 INDEX 197