دانلود ترجمه مقاله الگوریتم بهینه سازی ازدحام ذرات با گروه های تعاملی برای ردیابی اهداف متعدد – مجله الزویر

فهرست مطالب:

چکیده
۱ مقدمه
۲ کارهای وابسته
۳ بهینه سازی گروه ذرات استاندارد
۴ PSO اصلاح شده و تغییر یافته با گروههای تعاملی برای ردیابی چند هدفی
۱ ۴ متنوع سازی ذرات و گروه
۲ ۴ بهینه سازی گروه
۱ ۲ ۴ شناسایی بهترین حالت فردی و کلی
۲ ۲ ۴ شناسایی پاسخ آشکارسازی
۳ ۲ ۴ معیارهای همگرایی
۳ ۴ تشکیل و خاتمه یافتن گروه
۴ ۴ چکیده الگوریتم
۵ آزمایشات
۱ ۵ روش پیشنهاد شده و PSO بر مبنای گونه ها
۲ ۵ ردیابی چند هدفی
۱ ۲ ۵ ارزیابی ردیابی
۲ ۲ ۵ ردیابی تعداد ثابت و معلوم از اهداف
۳ ۲ ۵ ردیابی تعداد نامعلوم و متغیر اهداف
۴ ۲ ۵ مقایسه با روشهای پیشرفته
۳ ۵ تست توانمندی و ستبری
۴ ۵ هزینه محاسبه
۶ نتیجه گیری و کار آتی

بخشی از ترجمه:

چکیده:
در این مقاله الگوریتم جدید بهینه سازی گروه ذرات را پیشنهاد می کنیم که از مجموعه گروههای تعاملی برای ردیابی عابرین پیاده متعدد در شلوغی استفاده می کند. روش پیشنهاد شده الگوریتم بهینه سازی گروه ذرات استاندارد را با مدل تعامل اجتماعی پویا بهبود می بخشد که تعامل میان گروهها را افزایش می دهد. به علاوه، محدودیت های ارائه شده به واسطه پیوستگی زمانی و نقطه قوت آشکارسازیهای شخص در چارچوب را باهم ادغام می کنیم. با این کار بهینه سازی گروه ذرات توانایی ردیابی اهداف متحرک متعدد در صحنه پیچیده را پیدا می کند. نتایج آزمایشی نشان می دهد که روش پیشنهاد شده علی رغم تعاملات پیچیده میان اهداف که منجر به نتایج مختلفی می باشد، اهداف متعدد را ردیابی می کند.

 ۱ مقدمه

ردیابی چند هدفی در صحنه های شلوغ به دلایل مختلفی ، همچنان به عنوان یک مسئله چالش برانگیز باقی می ماند. تعاملات پیچیده و جفت شدگی بین اهداف از جمله چالش های اصلی در مواجهه با مسئله ردیابی در گروه شلوغ به شمار می روند. به منظور بررسی این مسئله، و ادغام تعاملات اجتماعی میان هداف در الگوریتم های ردیابی، روشهای مختلفی پیشنهاد شده است. این جهت و مسیر عملکرد امیدوارکننده ای برای ردیابی اهداف متعدد در صحنه های شلوغ نشان داده است.یک مثال اولیه که تعامل اجتماعی اهداف را مدلسازی می کند، فیلتر ذرات بر مبنای زنجیره مارکوف می باشد. این روش تعاملات اجتماعی اهداف را با استفاده از فیلد تصادفی مارکو مدلسازی کرده و حرکت قبلی را به فرایند نمونه برداری فیلتر ذرات مشترک اضافه میکند.
در این مقاله، مسئله ردیابی چند هدفی را براساس چارچوب بهینه سازی گروه ذرات بررسی می کنیم. اخیراً، بهینه سازی گروه ذرات (PSO) به خاطر موثر بودن طبیعت ذرات تعاملی در جهت یافتن حد بهینه در فضای جستجو، مورد توجه بسیاری از محققین قرار گرفته است. در مقایسه با فیلتر ذرات که ذرات به صورت مستقل حرکت می کنند، PSO به ذرات اجازه تعامل می دهد؛ هر ذره که راه حل کاندید و انتخابی می باشد، حد بهینه را با استفاده از تعامل اجتماعی و دانش شناختی جستجومی کند. این ایده PSO الهام گرفته از مدلهای رفتاری دسته پرندگان می باشد که هر پرنده هدفش (غذا) در فضای جستجو را از طریق تقسیم اطلاعات با سایر پرندگان در گروه ، می یابد. این پدیده پایه شبیه به تعامل اجتماعی عابرین پیاده در شلوغی بوده و به ما انگیزه استفاده از چارچوب بهینه سازی گروه ذرات برای ردیابی اهداف متعدد در صحنه شلوغ را می دهد.
اما عموماً از PSO استاندارد برای یافتن یک حد بهینه در فضای جستجوی ایستایی استفاده شده است .در مقابل، طبیعت ردیابی، پویا می باشد که حد بهینه با گذشت زمان تغییر می کند. بنابراین از PSO استاندارد مستقیماً نمی توان برای بررسی مسئله ردیابی اهداف متعدد استفاده نمود. ایده گروههای مستقل متعدد درون PSO ، مثل کارهای قبلی، گزینه بادوام و ماندگاری برای ردیابی اهداف تعاملی متعدد به شمار نمی رود. در این مقاله، مسئله ردیابی چند هدفی را به شکل یک مسئله بهینه سازی یافتن حد بهینه پویا (عابرین پیاده ) فرمول نویسی می کنیم که این حدود بهینه اغلب باهم در تعامل می باشند. در اینجا از پیشگویی حرکت و تعامل اجتماعی در چارچوب PSO بهره می گیریم به گونه ای که هر گروه بهینه حد بهینه محلی را براساس بهترین دانش یافته و اطلاعات را با دیگران مبادله می کند.
کمک های اصلی روش معرفی شده را می توان به شکل زیر جمع بندی نمود: (۱) معرفی ایده گروههای تعاملی متعدد برای PSO استاندارد جهت ردیابی اهداف متحرک در شلوغی؛ (۲) بهره گیری از اطلاعات سطح بالاتر نظیر رفتار اجتماعی (اطلاعات حرکت در میان عابرین پیاده) در فرایند یافتن حد بهینه در فضایی با ابعاد بالا؛ (۳) ادغام محدودیتهای ارائه شده به واسطه پیوستگی زمانی آثار هدف و نقطه قوت آشکارسازیهای شخص؛ (۴) تشکیل گروهی جداگانه برای هر شخص جدید وارد شده به صحنه.
رئوس مقاله حاضر به شرح ذیل می باشد. بخش ۲ کارهای وابسته پیرامون ردیابی چند هدفی با استفاده از چارچوب بهینه سازی گروه ذرات را شرح می دهد. در بخش ۳، راجع به الگوریتم بهینه سازی گروه ذرات استاندارد اجمالاً توضیح داده شده است. بخش ۴ راجع به جزئیات روش پیشنهاد شده توضیح می دهد. در بخش ۵ نتایج آزمایش مطرح و در بخش ۶ نتایج مطرح شده است.

۶٫ نتیجه گیری و کار آتی
در این مقاله، الگوریتم بهینه سازی گروه ذرات جدیدی برای ردیابی عابرین پیاده در صحنه شلوغ مطرح کرده ایم. از طریق متنوع سازی ذرات و گروهها، پیشگویی حرکت در PSO چند گروهی معرفی شده و بدین طریق اعضای گروه به محتمل ترین منطقه در فضای جستجو محدود می شوند. تعامل اجتماعی میان گروه و خروجی حاصل از آشکارساز عابرین پیاده در معادله به روزرسانی سرعت لحاظ شده است. بدین طریق روش پیشنهاد شده می تواند اهداف متعدد در صحنه شلوغ با حبس و انسداد شدید و تعاملات سنگین میان اهداف را ردیابی کند. نتایج آزمایش نشان می دهد که در خصوص ردیابی اهداف متعدد در صحنه ای شلوغ با دقت بالا روش پیشنهاد شده برتر از روشهای پیشرفته عمل می کند. در کار آتی قصد داریم از مدلی پیچیده تر برای گروه بندی اهداف در صحنه شلوغ استفاده کنیم.

بخشی از مقاله انگلیسی:

۱٫ Introduction

Multi-target tracking in crowded scenes still remains a challengingproblem due to several aspects. The complex interactions andinter-occlusion between targets are major challenges encounteredfor the problem of tracking in a crowd. To address this problem,several methods [1–۵] have proposed to integrate the social interactionsamong targets in the tracking algorithms. This direction hasshown promising performance to track multiple targets in crowdedscenes. An early example which models the social interaction of targetsis Markov chain Monte Carlo (MCMC) based particle filter [2].Their method models social interactions of targets using Markovrandom field and adds motion prior in the sampling process of ajoint particle filter.In this paper, we address the problem of multi-target trackingbased on the particle swarm optimisation framework. Recently,particle swarm optimisation (PSO) [6] has gained attentions ofmany researchers because of its nature of interacting particles hasproved to be effective in finding the optimum in a search space.In contrast to the particle filter [7] where particles move independently,PSO allows particles to interact; each particle, whichis a candidate solution, searches the optimum using both social interaction and cognitive knowledge [8,9]. This idea of PSO isinspired by behaviour models of bird flocking where each bird findsits target (food) in the search space by sharing information withother birds in the swarm. This underlying phenomenon resemblesthe social interaction of pedestrians in a crowd and motivates usto employ the particle swarm optimisation framework for trackingmultiple targets in a crowded scene.However, the standard PSO is generally used to find a singleoptimum in a static search space. In contrast, the nature of trackingis dynamic where optima change over time. Thus, the standardPSO cannot be directly used to address the problem of trackingmultiple targets. The idea of multiple independent swarms withina PSO, as in our earlier work [10], is not a viable option to trackmultiple interacting targets. In this paper, we formulate the problemof multi-target tracking as an optimisation problem of findingdynamic optima (pedestrians) where these optima interact frequently.We incorporate motion prediction and social interactionin the PSO framework such that each swarm finds the best localoptimum based on its best knowledge and exchanges informationwith others.The main contributions of our method can be summarised asfollows: (1) introducing an idea of multiple interactive swarms tothe standard PSO to track moving targets in a crowd; (2) incorporatinghigher level information such as social behaviour (motioninformation among pedestrians) in the process of finding optimain a high dimensional space; (3) integrating constraints provided by temporal continuity of target tracks and the strength of persondetections; (4) initialising a separate swarm for each new personentering the scene.The rest of the paper is organised as follows. Section 2 describesrelated work on multi-target tracking using particle swarm optimisationframework. In Section 3, the standard particle swarmoptimisation algorithm is briefly explained. Section 4 explainsdetails of our proposed method. Experimental results are presentedin Section 5 and followed by conclusions in Section 6.2. Related workRelated work to our method can be divided into two mainstrands of research.The first strand is tracking algorithms which incorporate socialinteractions of targets in the tracking process. This idea of integratingsocial interactions of targets in tracking algorithms is motivatedby the behaviour of targets in a crowd. In crowded scenarios, thebehaviour of each individual target is influenced by the proximityand behaviour of other targets in the crowd. Several methods[3–۵,۱۱] have proposed to integrate the social interactions amongtargets in the tracking algorithms. This direction has shown promisingperformance to track multiple targets in crowded scenes.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه