Detection and Tracking of Moving Object-Using Kalman Filter Enhancement (KF) by Grasshopper Optimization Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Today, the process of tracking moving objects in Video sequence has many real applications such as robots' systems, surveillance systems, and monitoring systems, visual information processing, and so more. The first stage in tracking moving object systems is detection the target in Video sequence and images and the second stage is to track the identified object. In this regard, Automatic detection and tracking of object is an attractive scope in now researches, so the proposed method based on the detection-tracking target moving objects by using the Kalman Improved Filter (KF) method. The Kalman filter, assuming initial state and noise covariance parameter for detection the object, which are critical parameters for estimating speed. For successful tracking by Kalman filter, the noise covariance matrix must be optimized. Therefore, in many studies, different methods based on optimization and metaheuristic algorithms have been proposed to increase the performance of Kalman filter method. In this research to adjust, the noise covariance is of the Kalman filter for object tracking and improve the initial parameters of it, using grasshopper optimization algorithm (GOA). Here considered not only the properties of the object, but also the estimation of the motion of the object to speed up the search process. To compare the new method's efficiency and accuracy, we used MATLAB R2019b software. The results show that the proposed method has improved at least 10% in accuracy compared to RMOT and CMOT and 20% in recovery compared to Recall. In addition, the proposed method has at least a 2% improvement in Recall parameters and accuracy compared to the evaluated article.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle