| المستخلص: |
يعتبر التتبع لكائن مرئي من احدى المجالات البحثية المهمة في مجال رؤيا الحاسوب (Computer Vision). تستند معظم طرق التتبع الشائعة على الكشف عن الكائن المراد تتبعه (object detection) ثم تطبيق طريقة مناسبة للتتبع (object tracking). هذا النوع من التتبع للكائن يسمح بتتبع الكائن المحدد (specified object) من خلال تحديده في الصورة الأولى. يهدف العمل في هذه الأطروحة على إيجاد حل جديد لتتبع كائن واحد محدد مع عدم وجود معرفة أو بيانات خاصة مسبقة لهذا الكائن. في هذه الأطروحة تم استخدام الواصف الثنائي (FREAK descriptor) لوصف ملامح الكائن المحدد لتعتبر كنقاط مفتاحية لهذا الكائن والتي تم الكشف عنها باستخدام (FAST detector). بعد ذلك، تم استخدام التدفق البصري الهرمي (pyramidal lucas-kanade) لتتبع النقاط المفتاحية الخاصة للكائن المحدد في الصور المتتابعة حيث قد يوجد الكائن المحدد فيها. ليتم تتبع الكائن بشكل دقيق في كل الصور المتتابعة. تم استخدام النقاط المفتاحية المعبرة عن هذا الكائن لإيجاد نقطة مركزية لتعتبر مركز الكائن المتتبع. وقد تم استخدام نهج (Agglomerative cluster) لتجميع جميع النقاط المركزية المرشحة لان تكون مركز الكائن المراد تتبعه، ومن ثم تم حساب مركز المجموعة الناتجة لتمثل مركز الكائن المتتبع. في هذه الأطروحة تم استخدام قاعدتي البيانات المعيارية (VOT2014 dataset, Vojirtom dataset) لاختبار نظامنا الخاص لتتبع للكائن المحدد في مجموعة الصور المتتابعة. تم استخدام معايير الدقة، المتانة، الأحكام والاستدعاء (Accuracy, Robustness, Precision and Recall) لمقارنة النظام الخاص بنا بالأنظمة الرائدة في مجال تتبع الكائنات في الصور المتعاقبة (state-of-art object trackers). أظهرت النتائج لنظامنا المقترح المطبق على قاعدة البيانات (VOT2014 dataset) أن نظامنا حصل على 5.9 كمعدل لمعيار الدقة والمتانة في تجربة (sequence pooled) وحصل على 6.29 كمعدل لمعيار الدقة والمتانة في تجربة (per-attribute). وأظهرت النتائج لنظامنا المقترح المطبق على قاعدة البيانات (Vojirtom dataset) أن نظامنا حصل على أعلى درجة من الأحكام بقيمة (0.882) بين الأنظمة الأخرى الرائدة في هذا المجال، وحصل أيضا على قيمة 0.9115 للاستدعاء. تظهر هذه النتائج أن النظام الخاص بنا قادر على أن يكون رائد في مجال تتبع كائن محدد في مجموعة من الصور المتعاقبة.
|
