TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4731 ~ 4 7 3 9   DOI: 10.115 9 1 /telkomni ka. v 12i6.549 3          4731     Re cei v ed  De cem ber 2 9 , 2013; Re vi sed  March 7, 201 4; Acce pted  March 22, 20 14   Severe- Dynamic Tracking Problems Based on Lower  Particles Resampling      Xungao Zho ng 1 , Xiafu Peng* 2 , Xun y u  Zhong 3   Dep a rtment of Automatio n , Xi amen U n ivers i ty  Siming R o a d , Xi ame n  36 100 5, Chin a, T e l. :  + 86-13 7-20 88- 542 9, F a x: + 8 6 - 592- 258- 00 05   *Corres p o ndi n g  author, e-ma i l  : zhong xu ng a o @1 63.com 1 , p e ngx i a fu @ 126 .co m 2 ,  zhon g x u n y u@ xmu.e du.cn 3       A b st r a ct  F o r a target as it  w i th large- dyna mic-cha n g e  w h ich is still  challe ng ing fo r existing  met hods to   perfor m  rob u st tracking; the sampli ng- base d  Bayesia n  f ilter ing often suffer  from co mputat ion a l co mp lexit y   associ ated w i th large n u m b e r  of particle de ma nd ed an d w e ighi ng  multi p le hy pothes e s . Specifically,  this   w o rk propos es  a ne ura l  a u xil i a ry Bayes i a n  fi lterin g sche m e  base d  o n  Mo n t e Carl o res a mplin g tec hni qu e s ,  w h ich to ad dre sses the co mp utation a l  i n ten s ity that is intri n sic to al l  p a rticle filter, i n clu d in g those  hav e   bee n  mo difie d   to overco me th e de ge neracy   of particl es. T r ackin g  q ual ity for sever e -dy n a m ic  exp e ri me n t s  de mo nstrate that the neura l  vi a comp e n sate  the Bayesi an fi lterin g error, w i th high acc u ra cy and inte nsiv e   tracking  perfor m a n ce  only  r equ ire l o w e r  particl es co mpare w i th s e q uenti a l i m port ance r e sa mpli ng   Bayesi an filteri ng, meanw hi le,  our method  al so w i th strong robustn ess for low  number of particl es.     Ke y w ords :   Bayesi an filt eri ng, ne ura l  n e tw ork, Monte  Carlo  resa mpli ng, partic l es c onstrai ned, r o bus t   tracking     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Rob u st tracki ng is an  acti ve re sea r ch  topi c in  com puter vi sion,  and it h a s  receive d   extensive ap plicatio ns in cl uding in intell igent su rve ill ance, robot visual  servoi ng , etc. In terms of  tracking  algo rithms, large n u mbe r  of ap p r oa che s  h a ve  been  pro p o s ed in the  pa st decade s, su ch   as the  state-estimation -b a s ed Kalm an f iltering (K F )  [1], and sam p ling-b a sed B a yesia n  filtering,  namely pa rticle filtering (P F) [2-4].   For the  sce nario s  with  severe-dyna m ic motio n , the KF wa s wi dely re p l ace d  by  sampli ng -ba s ed tracking  m e thod  su ch  a s  the  PF,  wh i c h i s   a m u ltiple-hypoth e si s  solutio n  a b le  to  estimate a r bi trary di stribu tions throug h eval uation  of rand om  sampl e s i n  a state  sp ace,   therefo r e, sa mpling is a  vital step for PF , while  the traditional se quenti a l Monte Carl o   sampli ng (SM C S) meth od s face the deg eneracy of p a rticle s p r obl em, whi c h so metimes i s  very  severe leads to only a few particles are us ed to represent  the co rresponding probability  distrib u tion.   Therefore,  th e exten s ion s  to PF, rece ntly, mainly focu s  on th e  sampli ng  met hod s to   overcome th e  degen eracy  of particl es  problem s an d to  improve the  diversity of p a rticle  sa mpl e s,  including  aux iliary variable PF (AVPF)  [5], fission  bootstrap PF  (FBPF)[6].  In order to further  improve the  sampli ng efficien cy, the famous M a rkov  chain Mo nte  Carlo  (MCM C) meth od h a ve   obtaine d the  con s ide r a b l e  develop me nt [7,  8], and the ada ptive MCM C  [9,  10] have sh own   more  supe rio r ity in in crea sing the  mixin g  an d a c cept ance  rate s, in  [11] the  auth o rs p r op osed  a  intensively a daptive M C MC  (IA-MCM C )  sam p le r to improve th e sa mplin g  ef fi ci en cy ,  w h ich  combi n e s  a  d ensity-g r id -ba s ed  p r edi ctive mo del  with  the sto c h a sti c  a p p r oximati on M onte  Ca rlo   (SAMC) algo rithm  [12].    In this pa per, a method  with ra dial b a si s fun c tion  neural net work  (RBFNN) auxiliary   particl e filteri ng algo rithm i s  propo se s, whi c h wa s m o tivated by re duces  the co mputational cost  and imp r ove s  the robu st ness for vi sual tra cki ng,  and we ap ply this neu ral-pa rticl e  filtering   schema  in l a rge a b ru pt mo tion tra c king  probl em s.  We first having   a de scriptio n  to the Baye si an   state e s timati on fra m e w ork for visual tra cki ng  ta sk, then  we int r od u c e  sam p ling - based Baye si an   filtering, whi c h the sampl e r able to e s timate ar bitrary distribution s  thro ugh ev aluation of ra ndom   sampl e s in  a  state sp ace. But for the unco n stra ine d  abru p t motio n  trackin g  problem, a cert ain  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4731 – 4 739   4732 numbe r of  sa mples are  still req u ire d  to  captu r e th e a b rupt  motion  due to th e b r oadn ess of t h e   whol e state  space, whi c h  stack i n  favour of comp utational  co st.  Therefo r e we  fu rther pro p o s e d   a   neural-Baye s i an resamplin g filtering  (NBRF)  ba sed  on  lo we r sa mpling hypot hesi s ,  utili ze s  the   Monte Carlo  sampli ng al g o rithm  whi c h  with con s trai nt cou n t of particle s  to  si milar  comp utation  of the compl e x integratio n  conju gate in  Bayesian  filtering, a nd th e neu ral net work (NN) vi a by  comp en sate   the Baye sian  filtering  e r ror  ca n b e  o v erco me th e  high   comp u t ational b u rd en   cau s e d  by large numb e r of  particle s  p r o b lem,  mean while the ra nd om abrupt  motion ca use the  model u n fitab l e whi c h  will  dire ctly decre ase th e  tra cki ng pe rform a n c e al so b e  im proved  by NN.  Many  comp are expe rime nts d e mon s trated that th e  NBRF  can  be   effective an d  pre c ise tracki ng  largely un co n s train ed ab ru pt motion with robu st  even  using le ss nu mber of samp ling parti cle s .      2. Resampli ng-Base d Ba y esian  Filtering for Tra cki ng Problem  For a ta rget  as it with ab rupt motion, it  is a challen g i ng problem t o  achi eve th e rob u st  tracking,  since the seve re  dynam ic target wa s difficult repr esent ed by a linea r app roximat ed- model. Herei n , we intro d u ce the  re sa mpling - ba sed  Bayesian fil t ering meth o d s which is  to   enlarge the sampling va ria n ce to cover t he po ssi ble  motion un ce rtainty.  Sampling te chniqu e su ch  as Mo nte Ca rlo s equ ential  importa nce resam p ling  (S IR) [13]  that is recursi v ely estimate s po st e r ior  probability de nsity function (P DF)  } / { ) : 1 ( (t) t p Z X by sel e cti ng  and  simulatin g  a stati s ticall y relevant su bset of  p o ssi b le sy stem st ates, form ally, the goal of  SIR  is to obtai n  a set of  N di screte  sam p l e N 1 i i (t) } ~ { X  and th eir  correspon ding  weig hts  N 1 i i (t) } ~ { W  to   approximate  poste rio r  PDF, then  the i n tegratio n in  Bayesian f ilte r ing can   be approximated   by  point mass es, as  follows  [12]:    ) - ( ~ } / { ) ( (t) 1 i (t) ) : 1 ( (t) i t N i t p X X W Z X                                                                            (1)    The pa rticle s-wei ghts  pair  can th en be  use d  to co m pute an e s ti mate of the system state ) ( ˆ t X ,   the estimatio n  equatio n gi ven by:    i (t) 1 ) ( (t) ~ ~ ˆ X W X N i i t                                                                                                                        (2)      As sho w n Al gorithm  1, we intro d u c e  a se que ntial  importa nce  resampli ng B a yesia n   filtering (SIRBF), whi c h  an implem en tation of  the Markov chi na Monte  Carlo resampli ng  algorith m  for trackin g  probl ems.       Algorithm 1.  SIRBF for target tracking   for i= 1: N do                                                                         / /  Parti c les  s a mpling with SIR  ) z , ~ / ( ~ ~ ) : (1 ) 1 - : (1 ) ( ) ( t i t i t i t x x q x , and set i t i t t x x x ) ( 1) - : (1 ) : 1 ( ~ , ~   end for  for i= 1: N do                                                                         / /  weights  updating  x x q p p w w t i t i t i t i t i t i t i t ) z , ~ / ~ ( ) x ~ / x ~ ( ) x ~ / (z ~ ~ ) ( ) 1 - ( ) ( 1) - ( ) ( ) ( t ) 1 ( ) (   N t t t w w w 1 j j ) ( i ) ( i ) ( ~ / ~ ~   end for  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Seve re-Dyna m ic Tracking  Problem s Ba sed o n  Lo wer Particle s Re sam p ling (Xu ngao Zh ong )  4733 Let  N j t eff w N 1 j 2 ) ( ) ~ ( / 1   if Neff <  Nthres hol  for i= 1: N do                                                                            //  Resampling  with SIR  N i i t N i i t i t N x w x 1 ) ( 1 ) ( ) ( } ,1/ { } , { ） （ ） （   end for  else N t t N t t w x w x 1 i i ) ( i ) ( 1 i i ) ( i ) ( } ~ , ~ { } , { ） （ ） （        The SIRBF  result s a r e  sh own  in  Figu re 1, th e  p o ssible  ta rget po sition  i s  presented by  sampli ng p a rt icle s with th ei r corre s pon di ng weight s,  i.e., the su cce ss  of the SIRBF highly reli es   on its ability to maintain a good approximation to  the posterior dist ribu tion, but there  exist  potential p r im ary drawback of sampli ng  approa che s   f o r a la rge  nu mber  of parti cle s  are re qui r ed  to guara n tee  suf fi cie n t sam p ling in the broad state  spa c e,  and the e s timation a c cura cy is linea rly   with the num ber of particl e s, as shown in Figur e 2(a) the tracking accu racy will improves  with   the co unt of particl es i n crease, Figu re  2(b )  sho w  that the com p u t ational cost i s  fit with cu b i c  polynomial b a se d on num ber of sampli ng, given by:    5 6 2 8 3 14 10 749 . 6 10 947 . 3 10 062 . 1 10 335 . 4 - ) ( x x x x f                          (3)    Therefore, th e high comp utational bu rden cau s ed  by a large nu mber of pa rticle s often  make s the SI RBF infe asi b l e  for practi cal  appli c at io ns.  In view of a b o ve proble m s, we  propo se d   a method  asso ciated  with  neural net works to ai ds  t he re sa mplin g-ba se d Bay e sia n  filtering  to   redu ce th e p a rticle  co unt, while  maint a ining  trackin g  quality an d  the co mputa t ional dem an ds  remai n  lower  comp are with  the tradition particl e filteri ng.        (a)           (b)   Figure 1. Illustration of the Possi ble Ta rg et Po s i tio n  wa s  Pr es en te d b y   Particles with  Num b er  100, 150 0 Re spe c tively, the Estimation  Accu ra cy of  Target Po sition  is Linea rly wi th the Numbe r   of Particle s, ( a ) re sult of SI RBF, (b) the  den sity distrib u tion  of samp ling parti cle s  meet norm a l  distrib u tion   10 0 120 140 160 18 0 200 220 0 0. 02 0. 04 0. 06 0. 08 0. 1 0. 12 100 120 140 160 180 200 220 0 0. 01 0. 02 0. 03 0. 04 0. 05 P a rti c l es   de n s it y   Possible position  Possible position  Particles densit y   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4731 – 4 739   4734     (a)       (b)     Figure 2. Illustration of the Estimation Accuracy  of Possible Ta rg et Position Agai nst to the  Comp utation a l Co st of the SIRBF Algori t hm, (a ) the e s timation result of SIR under differe nt  numbe r of pa rticle s (from 5 0  to 1500), th e tracking  a c curacy is in creased with in cre a si ng pa rti c le  numbe r, (b ) the com putati onal cost is fitting wi th qua dratic b a sed  on numb e r of  samplin g, the  c o s t  fit with fu nc tion f(x)= a 3 * x 3 +a 2 * x 2 +a 1 * x +a 0 .      3. Neural Netw ork Auxilia r y  Particle Filtering   SIRBF algorit hm involves t he sim u lation  of mu ltiple p a rticle s hyp o theses, in  sce ne to high  dimen s ion a lity of mod e l-b a se d tracking , the real -tim e pe rforman c e remain s  ch alleng e [14].  Th e   solutio n s in [ 4 ] propo se s a  GPU-a c cele rated PF for  3 D  visual tra cking appli c atio n, in [15] aim to   lowe r the  dim ensi onality of  the p r oble m , and [1 6] hav e bee n mo dified to mi nimize the n u mbe r  of  particl es m e e t ing to redu ce  the computat ional cost.   Con s trai ned t he count s of  particl es with  low- level hy pothe se s is t he effective  resol u tion  f o r l o we r t h e  com put at i o n a l  cost  f o r S I RB F ,  howev er,  a cert ai n  num ber of   sam p l e s a r e  st ill  necessa ry to captu r e the severe dyna mi c motion du e to the broad n e ss of the wh ole state spa c e,  so,  simply d e c re ase the  nu mber of pa rti c le s inev itabl e severe  dete r iorate the t r a cki ng a c cu ra cy.  Herein  we  p r esent  a m e thodol ogy u s i ng  con s tr ain ed p a rti c le s-weig hts  pai r to a pproxim ate   estimation  th e po steri o r P D F, an d the  deterio ra te d perfo rman ce  cau s e s   by  mi nimize d  pa rti c le s   wa s com pen sated via aide d by radial ba sis fun c tion n eural n e two r k (RBF NN).  Accordi ng to the Equat ion (2) the target po sition  will be optim a l approximated by  sele cting and   simul a ting statistically  rel e vant  su bsets with  en oug h lar ger num bers, ho weve r,  numbe r-co nst r aine d pa rticl e  sub s et s will  dire ctly  leadi ng to deteri o rated er ro rs  caused by ab sent  particl es. Th e r efore, the de sire d ta rg et position  sho u ld  be given by:    ) ( ) ( ˆ ) ( ˆ * t t t par X X X                                                                                                                 (4)      Whe r e t par ) ( X refers  to dete r iorate d erro r  cau s es  by Minimi zed  pa rticle s.  In this pa p e r a   method to  co mpen sate fo r the erro rs  t par ) ( X is prop osed to i m prove th e e s timation  accura cy  of the SIRBF  with lowe r pa rticle s by inco rpo r ati ng the  RBFNN into the stat e e s timation stag e. As  appe ars Fi gu re  3, the  RB FNN i s  em be d into  re sa m p ling-ba sed   Bayesian  filtering  to ove r come   he hig h  com putational  bu rden  cau s ed  by a large  n u m ber  of pa rticle s. The  alg o rithm of  neu ral- Bayesian  re sampling filteri ng (NB R F )  co nsi s ts of  syst em model, SIR sam p ling, state estimatio n .  The RBF N N we cho s e n  with one hi dden laye r whi c h is the  most widel y sprea d   architectu re t y pe, and th e  activation fun c tion of th e hi dden  nod es i s   cho s en  to b e  a  radial  ba sis  function, the  output of each hidde n neu r on with Ga ussian b a si s fun c tion is d e fi ne d as:     ) - exp( 1 2 1 1 i i b n G C                                                                                                               (5)    2 / 1 2 1 1 2 / 1 1 1 1 ) ( ] ) )( [( k i i i g c T T T G C G C G C                                                                    (6)  Com p utational cos t /s  Particle  nu m b e r  /n   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Seve re-Dyna m ic Tracking  Problem s Ba sed o n  Lo wer Particle s Re sam p ling (Xu ngao Zh ong )  4735 Whe r e  n m R G  is the  input  sam p le s  set a nd  m n R 1 C  is t he  central ve ctor  with th e i t h eleme n t  denote d  a s   1 m i R g ,  1 m i R c ,respe ctively;  1 i b is the th re shold of ith  n euro n  in th e  hidde n   layer. Th e  ou tput of the  ne twork i s  th e li near  su m  of t he o u tputs of  the  hidde n  n euro n s.  So, t h e   comp en satio n  for the errors for targ et position e s tima tion is app rox i mated as:     2 1 1 2 ) ( i j n j j par b n w t X                                                                                                        (7)    Whe r e 2 i w  and  2 i b are the weig hts and thre shol d of output layer, respe c tively.      (t ) z N 1 i i 1) - (t } { x N 1 i i (t) } ~ { x ) ( ˆ * t X } , { ) ( ) 1 - ( 1) - ( t/t t t f W X 1 T ) ( t V ) ( t W ) 1 - ( t X } , { ) ( (t ) ) ( t t h V X N 1 {1/ N } N 1 i i (t ) } ~ { w ) z , ~ / ( ~ ~ ) : (1 ) 1 - : (1 ) ( ) ( t i t i t i t x x q x N i i t i t w x 1 ) ( ) ( } , { ） （ ) ( t X ) ( k X ) ( t par X ) ( ˆ t X     Figure 3. The  Structure of Neu r al -B ayesian Re sam p li ng Filterin g (NBRF )       4. Experimental Re sults   To test the empiri cal pe rfo r man c e of ou r tracking a p p r oa ch, we col l ected severa l motio n   seq uen ce s th at involve se vere dyn a mic in vario u s scen ario s,  whi c h in clu d ing  the low-fra m e- rate, sudd en  dynamic cha nge s, and  th e su dde n  dy namic chan g e s  with d o wn sampli ng vid eos.  All the expe ri ments we  im plemente d  to  co mpa r e  th e  tra cki ng  perf o rma n ce  of  o u r tracke r, i.e .,  NBRF a nd SIRBF with different count of  particle s .    Scena rio 1 lo w-fram e-rate  vide o:  We ha ve first invest igated ho w th e numb e r of  particl e  affects the tracking p e rfo r manc e of SIRBF and  ho w ca n ou r pr opo sed  NBRF to improve  the  tracking  p r e c ise  even  wit h  lo wer p a rti c le s. In  thi s   experim ents,  the te st vid eos with  ran dom  smooth  motio n , whi c h a te nnis  run n ing  on the floo r,   we b egin  by giving the  co mpari s o n  of the   tracking p e rf orma nce of SIRPF and NBRF on  a  low-fra m e-rate video squa sh, whi c h is   downsample d  by keepin g  one  fram e  in every 1 0  frame s  fro m  a ori g inal vi deo. In o r de r to  qualitatively e v aluating the  impact of th e  cou n t of  pa rticle s, we te st  SIRBF with  s a mple s 10 0 a n d  1000  scena ri os, and the  sampl e  fram es of re sult  are  sho w n in  Figure 4. In  Figure 4 ( a ) , the   perfo rman ce  of SIRBF wit h  lower  100  particl es is   b ad, even lo st  the tra cki ng  due to the  ab rupt  motions  cau s ed by  seve re  frame  d r op pi ng, whe r ea s  whe n  the  pa rticles in cre a si ng to  100 0 th e  result of SIRBF (Figure 4(b)) i s  accu rat e ly tracki ng the ball after frame 1 9 th(o ri ginal fram e 190),   but this at the co st of large numb e r o f  parti cle s , while our  NBRF method (Fi gure 4 ( c)) ca n  effectively de alt with this d i fficulty using  only lower  1 00 sample s,  and  kee p ing  more  accu rat e ly  perfo rmed th an SIRBF through out the seque nce.   We the n  pe rform a q uantit ative comp ari s on of tracki ng accu ra cy betwe en SIRBF and  NBRF with di fferent particl es to further  verify  that th e use of RB FNN d o e s  he lp on a simil a rly  test video.  The com p a r iso n  is ba sed o n  t he position  error in pixel s , as follows:     ) , ( ) , ( i g i g i p i p i y x y x e , i = 1,2,3                                                                                     (8)    W h er e  ) , ( i p i p y x  is th e e s timation   value of ta rg et po sition  by SIRBF o r   NBRF, ) , ( i g i g y x is  the  grou nd -truth positio n.  Tra c king error  i s  eval uated  as the differen c e between th e mea s u r em ent  positio n and  the positio n  estimat ed  by the SIRBF or NB RF. Th e  trackin g  pe rforma nce of  the   SIRBF and t he NB RF  with differe nt p a rticle s a r e  compa r ed i n   Figure 5, the  positio n e rro r of  NBRF  is  app arently lo we r  than that  of S I RBF with th e  sam e  p a rticl e s, a s   sho w n  the result wit h   100 pa rticle s.  On the other hand, it is worth n o te that all five e x perime n ts d e mon s trate o u r  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4731 – 4 739   4736 NBRF p e rfo r med high er  accuracy tha n  SIRB F even with lower pa rticle s, and the SIRBF   perfo rmed  sa me as  NBRF  but co st more  than 10 ti mes numb e r of p a rticle s. We b e lieve that the  improve d  tra c king  perfo rm ance of NB RF is mai n ly  d ue to the p r o posal RBF N N to comp en sate  the errors during the constrain part icl e s,  to cover the possible moti on uncertainty  will be a  direct  solutio n  to i m prove  the t r ackin g  p r e c i s e,  me an whil e,  the RBFNN can   be well  de crea se the  comp utationa l cost via by constrain the n u mbe r  of part i cle s  and  kee p ing the well perfo rman ce s.          Figure 4. Tra cki ng Perfo r mances of th e Two T r a c ke rs on L o w-fra m e-rate Vide o (green targ et  positio n, red trackin g  re sult ), (b) SIRBF  with 100  p a rti c le s, (c)SIRB F  with 1000 p a rticle s, (d ) o u r  NBRF  with 1 00 parti cle        (a)                                                                                (b)    Figure 5. Tra cki ng Error  wi th Different Pa rticle  Con d itions, (a ) SIRB F, (b) NB RF       Scena rio 2 b oun ced ball  with dyn a m i c chang es : T o  further qu a litatively evaluate th e   tracking p e rfo r man c e of ou r NBRF, whe r e we  are  sh own o u r exp e rime nts a r e  a boun ce d table   ball that back and force st ruck the floor  with su dde n dynamic  cha nge s. The un expecte d mot i on  dynamic m a kes the tra c kin g  task  rathe r  hard by an a c curate m o tio n  model. Ou r experime n ts  to   illustrate th e  prop osed  NBRF ap proa ch  can  effect ive l y deal with t h is difficulty only usi ng lo wer  particl es.   0 5 10 15 20 25 30 0 20 40 60 80 100 120     1 00 s a m p l e s 4 00 s a m p l e s 6 00 s a m p l e s 8 00 s a m p l e s 1 000 s a m p l e s 0 5 10 15 20 25 30 0 20 40 60 80 100 120     50 s a m p l e s 60 s a m p l e s 70 s a m p l e s 80 s a m p l e s 100 s a m p l e s Fr am e index  Erro r   ( p ixels )   Erro r   ( p ixels )   F r am e i nde x (c )   (a)   (b)   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Seve re-Dyna m ic Tracking  Problem s Ba sed o n  Lo wer Particle s Re sam p ling (Xu ngao Zh ong )  4737 Sample fram es  are  shown in Fi gure 6 ,  with  10 0  sa mples,  our NBRF meth od  (Fig ure   6(c)) succe ssfully tracked t he bo un cing  pingp ong th ro ugho ut the  se quen ce.  Note  that, even wi th  1000  sam p le s, SIRBF me thod (Fig ure 6(b )) p e rf o r m ed poo r tra c king a b ility, experie nci n g  a   signi fi cant  drif t of the target  obje c t. Mo re over, SIRBF  (Figure 6 ( a )) f a iled to  tra c k  the table  ball  in   most fram es  usin g the nu mber of samp les lo wer 1 5 0 .   The frame - by -frame  comp arison  of the  positio n  er ro r in  p i xe ls  for   th o s e tw o tr ac ke rs  is   sho w n i n  Fig u re  7. It ca n  be  seen  that  com p a r ed  with the SIRB F tra cki ng  re sult, ou r met hod  NBRF i s  mo re clo s e r  to the groun d-truth po siti on, it means th at with the aid  of RBFNN t h e   performanc e   of NB RF is   better than the SIRBF,  du e t o  the  RBF NN ca n im prove   the robu stne ss   of NBRF for  severe dyna mi c ch ang es.          Figure 6. Tra cki ng Perfo r mances of th e Tw o T r a c ke rs O n  Dynami c  Ch ang es Vi deo (g re en  target po sitio n , red tra cki n g  result), (b ) SIRBF  with 1 50 parti cle s , (c) SIRBF with  1000 pa rticle s,  (d) o u r NB RF  with 150 pa rticle s.              Figure 7. The  Trackin g  Position Erro r in Pixels  of the SIRBF and th e NBRF  with 100,50 0 ,100 0  particl es, respectivel       Scena rio 3 sudde n  d y nam ic chan ge s wi th  low-fram e-rate vide o:  T he  fi nal experiment  is   to qualitativel y evaluate t he tra c king  perfo rman ce  of the  NBRF and  SIRB F on  a synt hetic  seq uen ce tha t  involves the severe  abru p t motion of the obje c t ca u s ed by fram e s  incon s e c uti v e   and lo w-fram e-rate video.  In this experi m ent, the sa me 100  sam p les a r e u s e d  for NB RF  and  0 5 10 15 20 25 30 35 0 50 100 150 200 250     SI RB F NBR F 0 5 10 15 20 25 30 35 0 50 10 0 15 0 20 0 25 0     SI R B F NBR F 0 5 10 15 20 25 30 35 0 50 100 150 200 250     SI R B F NB R F Fr am e index  F r am e i nde x Erro r   ( p ixels )   Erro r   ( p ixels )   Erro r   ( p ixels )   (a)   (b)   (c )   Fr am e index  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4731 – 4 739   4738 SIRBF. The resul r  of sam p le frames are illustra ted in  Figure 8. It is obs erved that our approach   can effe ctively track the  obje c t throug hout t he se q uen ce even  the ball bou nce d  ba ck  with   sud den  dyna mic  cha nge s.  On th e oth e r h and,  SI RBF freq uentl y  lose  the t r ack a nd  poo rly  perfo rm on this seq uen ce  due to the large motion un certai nty. It mean s that the perform an ce  of  our NB RF is  better than th e SIRBF, and it also  illustrate the neura l  network pla y s an impo rta n t  role i n  error  compensation to  improve the NB RF t r acking  abilit y, experim ents proved that  our  prop osed  NB RF with i n te nsive tra c kin g  perfo rm a n ce for la rgely  uncon strain e d  abrupt mot i on   even with le ss numb e r of p a rticle s.        Figure 8. Co mpare the Tr acking  Re sult s of SIRBF and NBRF wi t h  the smae 10 0 Particle s on  the  Sudden  Dyna mic ch ang es  with Lo w-fra m e-rate video  (gre en targ et position, re d tracking  re sul t )      For the sake of test our propo sed tra cker’s  rob u stn e ss fo r differe nt numbe r of particle,  many othe r t r acking  expe ri ments with  th e video  sa me  as Fig u re  8,  the succe s sful tra c king  rat e   with two tra c ker comp are  in Ta ble  1,  whi c h  demo n s trated  that t he tra c king   perfo rman ce   o f   SIRBF is sen s itive to the numbe r of part i cle s , it is  worth noting that if particle s  less 50 the SIRBF   will lo st the tracking  ability, and  with m o re tha n  10 00  parti cle s  the  su cce ssful t r acking  rate  will   towards sta b ility 83%. Whi l e our NB RF  only with lo wer 1 00 p a rticl e s p e rfo r med  good t r a cki n g   whi c h the sa me as SIRB F with 1000  particl es.  SO , we can  kin d ly gets co n c lu sion that  our   method i s  a  robu st tra cker no  matter with lo wer  particl es  co ul d be inte nsi v e tracking t he  uncon straint motion.      Table 1. The  Successful T r acking  Rate (×10 0%)  of SIRBF and  NBRF with the  Different Particl e s  on Sudde n Dynamic Chan ges  with Lo w-frame-rate Vi deo   method   The numbe r of p a rticles  50  100 300 500 1000   >1000  SIRBF   lost   0.41 0.57 0.65 0.81  0.83  NBRF   0.66  0.87 0.96 0.96 0.96  0.96      5. Conclusio n   In this pape r,  a method wi th  neural n e twork auxilia ry  seqe ntial importan c e  re sampling  Bayesian   filtering (SIRBF ) has bee n  p r e s ente d   to  im prove th e pe rforman c e fo r  robu st trackin g   with lower pa rticle s. The SIRBF can e n l a rge the  sam p ling varia n ce to cover the  possible mot i on   uncertainty,  however, the  high  co mput ational b u rd e n  cau s ed  by a la rge  nu mber of pa rti c le s  often make s  the SIRBF infeasibl e  for real-tim e ap pli c ation s . Therefore, a nov el method was   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Seve re-Dyna m ic Tracking  Problem s Ba sed o n  Lo wer Particle s Re sam p ling (Xu ngao Zh ong )  4739 prop osed wit h  RBFNN merge tog e the r  with   resa mpling - ba sed  Bayesian filtering, and  the   RBFNN h a s  useful to  imp r ove  the  t r a c king preci s e even  with  l e ss pa rticle s. Many  compa r e  experim ents  illustrate that  our  proposed NBRF  with  robust tracking performance for largely  uncon strain e d  ab rupt m o tion only  req u ire lower  num b e r of  parti cle s  com pare  with SIRBF, on  the  other ha nd, o u r metho d  also with strong  adaptive for d i fferent numb e r of parti cle.       Ackn o w l e dg ements   This wo rk i s   sup porte d  by Nationa l Scien c e  F ound ation  of Chi na  und er  Gra n t  6130 5117.       Referen ces   [1]  SY Chen. Kalman Filter fo r  Robot Vision: A Survey .  IEEE Transactions on Industrial Electronics .  201 2; 59(1 1 ): 4409- 442 0.   [2]  G Gualdi, A Pr ati, R Cucc hi ar a. Multistag e  P a rtic le W i ndo ws for F a st and   A ccurate Object Detection.   IEEE Transactions on Patter n  Analys is and M a chi ne Intel lig e n ce . 201 2; 34( 8): 1589- 16 04.   [3]  Rafae l  Mu ñoz- S ali nas, R  Me d i na-C a rn icer, F J  Madr id-C uev as. A C a rmo na -Po y ato.   Peo p l e  detecti on   and track i n g   w i th multip le ster eo  cam e ras us ing particl e  filte r s.  Jo u r n a l  o f   Vi su al  C o mmun i ca tio n   and  Imag e Re pres entatio n . 200 9; 20(5): 339- 35 0.  [4]  J Antho n y  Br o w n,  D a vid  W   Caps on. A  fra m e w ork f o r 3 D  mod e l-b a se d  visual  tracki ng   usin g a  GPU- accel e rated pa rticle  filter.  IEEE Transactions  on Visuali z at ion and Comput er Draphics . 2012; 18( 1) :   68-8 0 .  [5]  L Bai, Y W a n g . Road track i ng usi ng p a rti c le  fi lters  w i th  partitio n  sampl i ng a nd a u x il ia r y  vari ab les.   Co mp uter Visi on an d Ima ge  Und e rstand in g . 2011; 1 15(1 0 ): 1463 –1 471.   [6]  W  Kun, W  Ji e, S  T ao.  Improve m ent of fission bo ot strap particl e filterin g . 10th Internati o n a l   Confer ence  on  Electronic Me asurem ent & Instru ments (ICEMI). Chengd u.  201 1; 3: 94-10 0.  [7]  Z  Khan, T  Balch, F .  Dellaert.  An MCMC-bas ed particle  fi lt er  for tracking  multipl e  i n teracti ng targ ets . In   Proc. ECCV. Pragu e. 200 4; 3024: 27 9-2 90.   [8]  K Choo, D Fleet.  Peopl e trac king  usin g hy b r id Mont e Car l o  fi lterin g . In Proc. ICCV. Vancouver, BC.  200 1; 2: 321– 3 28.   [9]  Y Atchad, JS  Rose nthal. On  ada ptive M a rk ov cha i n M ont e Car l o  alg o rit h ms.  Bernoulli .  200 5; 1 1 (5):   815- 828.   [10]  GO Roberts,  JS Rosenth a l.  Coupl in g an d er go dicit y   o f  adaptive M a rkov cha i n Monte Carl o   algorithms.  Jou r nal of ap pli ed  prob abi lity.  200 7; 44(2): 45 8-4 75.   [11]  Xi uzh uan g Z h ou, Yao  Lu, J i w en  Lu, Ji e Z hou. Abru pt Motion T r ackin g  Via Inte nsiv el y Ad aptiv e   Markov-Ch a i n  Monte Car l o S a mpli ng.  IEEE Transactions on image processing . 20 12; 21 (2): 789-8 01.   [12]  F  Liang, C L i u, RJ Carrol l . Stochastic  ap pro x i m ation i n  Mont e Carl o comp utation.  Jo urna l of Amer ic a n   Statistical Association.  200 7; 102(4 77): 30 5-3 20.   [13]  M Isard, A Blake. Co nde ns ation-c ond itio n a l de nsit y pr o pag atio n for vi sual tracki ng.  Internatio na l  Journ a l of Co mputer Visi on . 1 998; 29( 1): 5-2 8 .  [14]  AC Sa nkara n a r a y an an, A Sr i v astava, R  Ch ella pp a. Alg o rit h mic a nd  arch itectural  optim i z ations  for   computati o n a ll y efficie n t parti cle filterin g.  IEEE Transactions on Im age P r ocessing . 200 8; 17(5): 737- 748.   [15]  Y W u , J  Lin,  T  Hua ng. A nal yz i ng  an d C aptur i ng Artic u lat ed  Han d  Moti on  i n  Imag e S e q u ences.  IEEE   T r ansactio n s o n  Pattern Ana l ysis and Mac h i ne Intell ig ence .  2005; 2 7 (12):  191 0-19 22.   [16]  M.Bray , E Koller-Meier, L  Va n Gool. Smart  particle filtering  for high-dim ensional track i ng.  Co mp uter   Visio n  and I m a ge Un dersta ndi ng . 200 7; 106( 1): 116-1 29.       Evaluation Warning : The document was created with Spire.PDF for Python.