Non-Rigid Object Tracking Menggunakan Extended Mean Shift Berdasarkan Histogram Warna

Wardhana, Asepta Surya (2008) Non-Rigid Object Tracking Menggunakan Extended Mean Shift Berdasarkan Histogram Warna. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 2206205007-Master_thesis.pdf Restricted to Repository staff only Download (22MB)

Abstract

Sekarang ini, terdapat banyak aplikasi dari pelacakan objek (object tracking) seperti pengawasan lingkungan, surveillance, multimedia, dan Human-Computer Interface (HCI) yang memerlukan suatu mekanisme pelacakan objek. Berkenaan dengan aplikasi di atas, kebanyakan dari objek yang dilacak adalah objek tidak kaku (non-rigid). Kami mengembangkan suatu algoritma pelacakan untuk melacak suatu objek tidak kaku. Algoritma ini didasarkan pada Extended Mean Shift untuk mencari posisi pelacakan dari suatu objek dalam suatu urutan video. Algoritma ini efektif karena memanfaatkan perkiraan dari kernel density estimation untuk mencari lokal maksimum dari suatu pengukuran kesamaan (similarity measure) pada histogram warna. Pengukuran kesamaan yang paling sering digunakan adalah koefisien Bhattacharyya. Algoritma Expectation Maximization juga digunakan untuk memperkirakan parameter model dan memperbarui penampilan (appearance) dari histogram. Pembaruan histogram akan meningkatkan ketelitian dan keandalan dari pelacakan Mean Shift. Kombinasi algoritma Extended Mean Shift diterapkan untuk objek tidak kaku dalam urutan video. Percobaan berhasil menerapkan algoritma dengan akurasi 80% untuk variasi objek dengan perbedaan warna dan pola tekstur, serta andal (robust) terhadap rotasi dan variasi skala. Algoritma bekerja dengan baik pada kecepatan 6 fps pada prosesor 1,73 GHz.
==================================================================================================================================
Nowadays, there are many applications of object tracking such as environmental monitoring, surveillance, multimedia, and Human-Computer Interfaces (HCI) that require an object tracking mechanism. Regarding these applications, most of the tracked objects are non-rigid. We develop a tracking algorithm to track non-rigid objects. The algorithm is based on Extended Mean Shift to locate the target object in a video sequence. This algorithm is effective as it exploits kernel density estimation to search for the local maximum of a similarity measure on the color histogram. The most typically used similarity measure is the Bhattacharyya coefficient. The Expectation-Maximization algorithm is also employed to estimate model parameters and update the target appearance histogram. Updating the histogram improves the accuracy and reliability of Mean Shift tracking. The algorithm combination of Extended Mean Shift was applied to non-rigid objects within video sequences. Successful experiments demonstrate that the algorithm achieves 80% accuracy across a variety of objects with different color and texture patterns, while remaining robust to rotation and scale variations. The algorithm runs comfortably at a performance rate of 6 fps on a 1.73 GHz processor.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	non-rigid obyek tracking, histogram, extended mean shift, bhattacharyya, expectation maximization , non-rigid object tracking, histogram, extended mean shift, bhattacharyya, expectation maximization
Subjects:	H Social Sciences > HD Industries. Land use. Labor > HD618 Open spaces
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	29 Sep 2026 06:16
Last Modified:	29 Sep 2026 06:16
URI:	http://repository.its.ac.id/id/eprint/145011

Actions (login required)

View Item