A survey on multiple object tracking algorithm

Fan, Lingling; Wang, Zhongli; Baigen, Cail; Tao, Chuanqi; Zhang, Zhiyi; Wang, Yinling; Li, Shanwen; Fengtian, Huang; Fu, Shuangfu; Zhang, Feng

doi:10.1109/icinfa.2016.7832121

Cited by 35 publications

(14 citation statements)

References 50 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…About 50 methods have been tested up to now on this benchmark. However, [129] does not describe these algorithms, while Fan et al [78] only presents a survey on visual methods. A previous review on multiple object tracking was proposed in [142].…”

Section: Multiple Pedestrian Trackingmentioning

confidence: 99%

Pedestrian Models for Autonomous Driving Part I: Low-Level Models, From Sensing to Tracking

Camara

Bellotto

Coşar

et al. 2021

IEEE Trans. Intell. Transport. Syst.

View full text Add to dashboard Cite

Autonomous vehicles (AVs) must share space with pedestrians, both in carriageway cases such as cars at pedestrian crossings and off-carriageway cases such as delivery vehicles navigating through crowds on pedestrianized high-streets. Unlike static obstacles, pedestrians are active agents with complex, interactive motions. Planning AV actions in the presence of pedestrians thus requires modelling of their probable future behaviour as well as detecting and tracking them. This narrative review article is Part I of a pair, together surveying the current technology stack involved in this process, organising recent research into a hierarchical taxonomy ranging from low-level image detection to high-level psychology models, from the perspective of an AV designer. This self-contained Part I covers the lower levels of this stack, from sensing, through detection and recognition, up to tracking of pedestrians. Technologies at these levels are found to be mature and available as foundations for use in high-level systems, such as behaviour modelling, prediction and interaction control.

show abstract

Section: Multiple Pedestrian Trackingmentioning

confidence: 99%

Pedestrian Models for Autonomous Driving Part I: Low-Level Models, From Sensing to Tracking

Camara

Bellotto

Coşar

et al. 2021

IEEE Trans. Intell. Transport. Syst.

View full text Add to dashboard Cite

show abstract

“…The majority of the object properties (appearance, velocity, location, etc.) are described by the appearance or observation model [25]. Various special features are used to differentiate the target and background or different objects in a tracking system [26].…”

Section: Appearance Modelingmentioning

confidence: 99%

Vision Tracking: A Survey of the State-of-the-Art

et al. 2020

View full text Add to dashboard Cite

Vision tracking is a well-studied framework in vision computing. Developing a robust visual tracking system is challenging because of the sudden change in object motion, cluttered background, partial occlusion and camera motion. In this study, the state-of-the art visual tracking methods are reviewed and different categories are discussed. The overall visual tracking process is divided into four stages-object initialization, appearance modeling, motion estimation, and object localization. Each of these stages is briefly elaborated and related researches are discussed. A rapid growth of visual tracking algorithms is observed in last few decades. A comprehensive review is reported on different performance metrics to evaluate the efficiency of visual tracking algorithms which might help researchers to identify new avenues in this area. Various application areas of the visual tracking are also discussed at the end of the study.

show abstract

“…Bu ön tahmin nesnenin konumunu bulmak için aranacak alanı da azaltmaktadır. Bu yöntemlerde genellikle nesnenin belli bir ortalama hızla hareket edildiği varsayılmaktadır [24]. Belli bir şekli olmayan nesnelerin takibinde kenar, şekil ve renk bilgileri seçici olmadığından, hareket tabanlı sınıflandırıcıların başarı oranları yüksek olabilmektedir.…”

Section: Kullanılan Yöntemlerunclassified

“…Bu yöntem ön eğitim yapılmadan nesne takibi üzerinde yapılan çalışmalarda önemlidir [17]. Optik akış yöntemi hareket tabanlı sınıflandırmada çoklu nesne takibi yapılan çalışmalarda nesne tespitini kolaylaştırmaktadır [24]. Renk ve doku tabanlı sınıflandırmalar çok farklı alanlarda kullanılabilmektedir.…”

Section: Kullanılan Yöntemlerunclassified

See 1 more Smart Citation

Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Daş

Polat

Tuna

2019

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Öz: Görüntü işleme yöntemleri kullanılarak durağan görüntülerin analizleri gerçekleştirilebilir ve söz konusu görüntülerden anlamlı bilgiler çıkarılabilir. Tespit ve tanıma sonrasında takip edilecek olan nesnenin değişken bir ortam içinde bulunması zorlaştırıcı unsurlardan birisidir. Bunun gibi zorlaştırıcı unsurlarla başa çıkabilmek ve nesne takibini başarıyla gerçekleştirebilmek için farklı yöntemler geliştirilmiştir. Askeri uygulamalarda yaygın olarak kullanılan elektro-optik algılayıcı sistemleri hareketli ve sabit hedeflerin belirlenmesini sağlamaktadır. Son yıllarda yapay zekâ tabanlı bileşenlerle güçlendirilen bu sistemler hem daha hızlı hem de daha kesin hedef tespiti yapmayı sağlamaktadır. Öte yandan, derin öğrenme algoritmaları yapay zekâ alanında bir devrim yaratmıştır. Derin öğrenme algoritmalarının görüntü işlemede kullanılması oldukça başarılı sonuçlar alınmasını ve karmaşık görüntü işleme problemlerinin kolaylıkla çözüme kavuşturulabilmesini sağlamaktadır. Bu çalışmada derin öğrenme ile hareketli nesne tanıma ve takibi için Google'ın açık kaynak kodlu makine öğrenmesi kütüphanesi olan TensorFlow kullanılmıştır. Nesne takibi için Region Based Convolutional Networks kütüphanesinden Faster R-CNN modeli ele alınmıştır. Bu kütüphaneler ile durağan görüntüler, video görüntüleri ve webcam görüntüleri üzerinde nesne tanıma işlemi gerçekleştirilmiş ve incelenen kütüphanelerin güçlü ve zayıf yönleri ortaya konmuştur.

show abstract

A survey on multiple object tracking algorithm

Cited by 35 publications

References 50 publications

Pedestrian Models for Autonomous Driving Part I: Low-Level Models, From Sensing to Tracking

Pedestrian Models for Autonomous Driving Part I: Low-Level Models, From Sensing to Tracking

Vision Tracking: A Survey of the State-of-the-Art

Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Contact Info

Product

Resources

About