Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pelacakan objek merupakan salah satu permasalahan yang masih diteliti sampai saat ini. Penyelesaian permasalahan dengan menggunakan particle filter merupakan penyeleseain yang sudah banyak digunakan, namun penelitian terus dilakukan untuk meningkatkan kemampuan dari particle filter. Salah satu cara untuk meningkatkan kemampuan dari particle filter tersebut adalah dengan cara optimisasi. Optimisasi pada particle filter dapat meningkatkan akurasi dari metode particle filter pada pelacakan objek. Penelitian ini akan mencoba meningkatkan akurasi dari particle filter dengan menambahkan optimisasi cuckoo search. Cuckoo search merupakan optimisasi meta-heuristic yang berdasarkan pada kebiasaan dari burung parasit, yang dikombinasikan dengan Lévy flights. Pada experiment yang dilakukan terlihat bahwa optimisasi dari cuckoo search pada particle filter mampu meningkatkan akurasi dari pelacakan objek dibandingkan dengan metode lain. Pada penelitian ini metode yang diusulkan dapat mencapai presisi jauh lebih baik jika dibandingkan dengan metode dasar particle filter. ......Object tracking is one that is still being discussed today. Solving problems using particle filters is a solution that has been widely used, but research is continuing to improve the ability of filter particles. One way to increase the ability of the particle filter is by optimizing. The optimization of filter particles can improve the accuracy of the particle filter method on the composition of objects. This research will try to improve the accuracy of particle filters by adding optimization of cuckoo search. The Cuckoo search is a meta-heuristic optimization based on the habits of the parasitic bird, combined with the flight levy. In the experiments carried out, it can be seen from the optimization of the search for cuckoo on filter particles which increases the efficiency of the object comparison compared to other methods. In this study the proposed method can achieve a precision of much better when compared to the basic method of particle filters

Abstrak :
ABSTRAK
Pelacakan objek secara visual adalah proses melokalisasi terus menerus entitas visual pada suatu urutan video. Disertasi ini menyelidiki masalah short-term model-free tracking yang mempunyai tujuan utama untuk melacak sembarang objek berdasarkan satu kotak anotasi dari objek dan oleh karena itu disebut sebagai model-free. Short-term di sini berarti bahwa pelacak tidak melakukan deteksi ulang setelah target menghilang dalam pelacakan. Banyak faktor yang mempengaruhi kinerja algoritma pelacakan. Dalam Visual Tracker Benchmark, terdapat sebelas tantangan dalam pelacakan objek, yaitu: variasi iluminasi, variasi skala, oklusi, deformasi, blur, gerakan yang cepat, in-plane rotation, out-of-plane rotation, keluar dari pandangan, latar belakang yang kusut, dan resolusi yang rendah. Selama ini belum ada satu pelacak yang berhasil menangani semua skenario tersebut dengan kokoh robust . Selain itu, implementasi dari pelacak ini harus cukup cepat fast agar berguna dalam aplikasi nyata. Disertasi ini mengusulkan algoritma pelacakan yang baru dalam kerangka Bayesian. Algoritma yang diusulkan dikonstruksi dengan memecahkan optimal particle filter OPF secara efisien menggunakan metode spektral. Oleh karena itu, pelacak yang dikonstruksi disebut sebagai spectral tracker ST . Walaupun pelacak ini dapat melakukan komputasi posisi secara efisien, tetapi tidak dapat mengestimasi skala dan rotasi. Untuk mengatasi kelemahan ini, diusulkan penggunaan banyak titik observasi sekaligus dan menggunakan informasi pergerakan titik-titik observasi ini untuk mengestimasi skala dan rotasi. Selanjutnya dilakukan eksperimen untuk melihat pengaruh pra-pemrosesan citra meliputi warna, tekstur dan saliensi pada kinerja pelacakan dengan membangun 6 variasi model observasi dari pelacak ST. Akhirnya, kinerja variasi pelacak ST ini dibandingkan dengan 9 pelacak pembanding yang relevan pada 100 himpunan data. Hasil secara keseluruhan terdapat sebuah peningkatan unjuk kerja terutama dalam hal kekokohan dan kecepatan. Tetapi pada evaluasi yang lebih rinci dalam menghadapi 11 tantangan, ternyata pendekatan yang berbeda dari setiap pelacak ternyata menghasilkan unjuk kerja yang berlainan dalam menghadapi setiap tantangan tersebut.

---

ABSTRACT
Visual object tracking is the process of continuously localizating a visual entity or visual entities in a video sequence. This dissertation investigates short term model free tracking which the main purpose is tracking of arbitrary objects based on a single bounding box annotation of the object, which then called as model free. The short term tracking means that the tracker does not perform re detection after the target is lost. Numerous factors affect the performance of a tracking algorithm. In Visual Tracker Benchmark, there are eleven main tracking challenges, including illumination variation, scale variation, occlusion, deformation, motion blur, fast motion, in plane rotation, out of plane rotation, out of view, background clutters, and low resolution. There exists no single robust tracker that successfully handles all scenarios nowadays. Moreover, the implementation of tracker should be fast enough to be useful in real applications. We propose a novel algorithm based on Bayesian paradigm that works in frequency domain and exploits spectral method for solving optimal particle filter scheme in Bayesian framework. Therefore the tracker is called as spectral tracker ST . In order to able to estimate scaling and rotation, we modify the tracker to use multiple observation points. Futhermore, several experiments is done to see impact of observation model by manipulating image in color, texture and saliency. As result, we design six variation of spectral tracker based on the observation model. Finally, the performance of the tracker is compared with other relevant trackers on benchmark dataset sequences. An improvement over state of the art methods is achieved, in term of robustness and speed. Nevertheless, the evaluation of eleven tracking challenges shows that different approaches of tracker have unique performance in each challenge.

Abstrak :
Lokalisasi robot adalah permasalahan dalam melakukan estimasi posisi dan orientasi robot dalam suatu lokasi yang diketahui sebelumnya. Untuk melakukan lokalisasi diri, robot harus memproses gambar dari kamera menjadi landmark, yaitu persimpangan crossing garis lapangan. Landmark yang terdeteksi kemudian dibandingkan dengan peta landmark garis lapangan, untuk dihitung oleh algoritma lokalisasi vision-based, yang menghasilkan data lokalisasi posisi dan orientasi. Data lokalisasi dari algoritma vision-based digabungkan dengan metode particle filter, bersama dengan odometri dan pembacaan data kompas. Hasil yang didapat antara lain persentase keberhasilan deteksi crossing 93.33 , lokalisasi dengan rata-rata error posisi sebesar 57.66cm, dan mengurangi error akibat kidnapped robot problem hingga sebesar 87.88

---

Robot localization is the problem of estimating the position and orientation of a robot, given a known absolute location. To achieve self localization, robot must be able to process camera images into landmarks, which is the crossing of field lines. The detected landmarks are compared to a field line landmark map to be further processed by a vision based localization algorithm, resulting in robot position and orientation estimate. The resulting localization data is then integrated with particle filter, along with odometry and compass readings. Among the achievements made in this research are 93.33 field line landmark detection success rate, self localization with 57.66cm average positional error, and reducing up to 87.88 of errors caused by the beginning of a kidnapped robot problem.