I nd o ne s ia n J o urna l o f   E lect rica l En g ineering   a nd   Co m p u t er   Science   Vo l.   12 ,   No .   1 ,  Octo b er   201 8 ,   p p .   7 ~ 16   I SS N:  2 5 0 2 - 4 7 5 2 ,   D OI : 1 0 . 1 1 5 9 1 /i j ee cs.v 1 2 .i 1 . p p 7 - 16          7       J o ur na l ho m ep a g e :  h ttp : //ia e s co r e. co m/jo u r n a ls /in d ex . p h p / ijeec s   Ro bust Visua l M ulti - T a rg et  T ra c kers: A  Review       P a v a nk u m a r.   E ,   M a no j k u ma r  Ra j g o pa l   S c h o o l  o f   El e c tro n ics   En g in e e rin g ,   V IT ,   Ch e n n a i  Ca m p u s ,   In d ia       Art icle  I nfo     AB ST RAC T   A r ticle  his to r y:   R ec eiv ed   A p r   6 ,   2 0 1 8   R ev i s ed   J u n   4 ,   2 0 1 8   A cc ep ted   Ju n   14 ,   2 0 1 8       In   th is   re v iew   p a p e r,   we   a d d re ss   o n   th e   sta te - of - a rt  p ro c e ss   w it h   v isu a l  o b jec t  trac k in g   in   v id e o   su rv e il lan c e ,   m e d ica l  a n d   m il it a r y   a p p li c a ti o n s.  In   th e   p re se n t  sc e n a rio   n u m b e r  o f   a lg o rit h m s  a n d   m e th o d s  a re   u se d   to   trac k   th e   o b jec t  i n   t h e   d if fe re n t  sc e n e ,   a   ro b u st  v isu a l   o b jec t  trac k in g   re m a in s  a   c rit ica l  c h a ll e n g e .   T h e   c h a ll e n g e s   a rise   d u e   to   o b jec t  m o ti o n   f ro m   f r a m e   to   f r a m e   w it h   a   c h a n g e   in   a p p e a ra n c e ,   str u c tu re s,  il l u m in a ti o n ,   a n d   o c c lu si o n .   In   t h is   p a p e r,   a t  las t,   w e   o u tl i n e   th e   d iff e re n t  a lg o rit h m s,  d a t a se t,   stre n g th ,   a n d   w e a k n e ss   o f   th e   d if f e r e n t  o b jec t  tr a c k e r.   K ey w o r d s :   Vis u a l  Ob j ec ts   T r ac k in g   Vid eo   Su r v eilla n ce   Occ lu s io n   I llu m in a tio n   A p p ea r an ce   Co p y rig h t  ©   2 0 1 8   In stit u te o f  A d v a n c e d   E n g i n e e rin g   a n d   S c ien c e .    Al l  rig h ts  re se rv e d .   C o r r e s p o nd ing   A uth o r :   P av an k u m ar .   E ,       Sch o o l o f   E lectr o n ics E n g in ee r in g ,   VI T ,   C h en n ai  C a m p u s ,  I n d ia.   E m ail:  p av a n k u m ar . e2 0 1 6 @ v i ts tu d e n t.a c. in       1.   I NT RO D UCT I O N   I n   co m p u ter   v i s io n   w it h   t h e   r ea l - ti m e  v is u al   o b j ec t,  T r a ck in g   r e m ai n s   a   cr itical  c h al len g e.   T h e  ch alle n g e s   ar is e  d u e  to   n o is e  in   th e  i m a g e,   r ef lectio n   b ac k g r o u n d ,   co m p u tatio n al  p r o b lem   in   d y n a m ic  o b j ec t   m o tio n ,   clu tter   b ased   b ac k g r o u n d ,   illu m i n atio n   ch an g es  i n   th e  s tat ic  an d   d y n a m ic  i m ag e,   p ar tial  o r   f u l l   o cc lu s io n s   w h ic h   o cc u r   i n   r ea l  ti m e  p r o ce s s i n g   e tc   [ 1 ,   2 ] .   I n   t h e  r ea l  w o r ld   t h e  i m ag e s   w il l  b e  i n   3 D,   w h en   w h ic h   is   p r o j ec ted   in   2 D  th er e  w ill b e  a  b ig   lo s s   o f   d ata.   T r ac k in g   is   t h e  p r o ce s s   o f   m o n ito r in g   th e  o b j ec t  f r a m e  b y   f r a m es,  f r o m   i ts   f ir s t  m a n i f es ta tio n   to   its   en d   d esti n atio n .   T h e  t y p e   o f   tar g et  a n d   its   c h a r ac ter is t ics   d escr ip tio n   w it h i n   t h e  s y s te m   d ep en d s   o n   t h e   ap p licatio n .   R o b u s t n e s s   a n d   e f f icien c y   tr ac k i n g   ar e  t h e  t w o   m ai n   ch a llen g es   ex i s ti n g   in   tr ac k er s .   Mo s t  o f   t h e   r o b u s t tr ac k er s   ar e  i m p le m e n t ed   w it h   s i n g le  o r   co m b i n atio n   f ea t u r es  w it h   a  h i g h   co m p u ta t i o n al  co s t.   T h e  en h an ce m e n t  o f   t h e  tr ac k er   r o b u s tn ess   u s i n g   m u lti - v ie w   m o d el  w i th   d is cr i m i n ati v e  p ar am eter s .   As  w el l  as   ef f ec t iv e   tr ac k er   s h o u ld   b e  h an d li n g   w i th   v a r iatio n s   o f   t h e  o b j ec t  an d   i t s   b ac k g r o u n d .   T h e  Gen er ati v e  an d   d is cr i m i n ati v e  ar e  t w o   ap p r o ac h es  u s ed   i n   tr ac k i n g   o f   s i n g le  o r   m u lt i - o b j ec ts   in   co m p u ter   v is io n .   T h e  Gen er ati v e  ap p r o ac h   u s es  a  m o d el  b ased   an d   class ical  tr ac k i n g   m et h o d s   to   tr ac k   m o v i n g   o b j ec t.   Dis cr i m in at iv e  o b j ec t  tr ac k in g   al g o r ith m s   ar e  m ai n l y   est ab lis h ed   o n   d ee p   lear n i n g   m et h o d s .   T h e  m ai n   d r a w b ac k   o f   t h is   al g o r ith m   i s   t h at  it  m a y   r eq u ir e  a  lar g er   n u m b er   o f   tr ai n i n g   d ataset.   I n   th is   r ev ie w   p ap er ,   t w o   d ir e ctio n al  asp ec t s   ar e  th er e,   o n e  asp ec t  is   to   r ev ie w   o n ,   h o w   t h e  r o b u s t   tr ac k er 's  in ter p o s itio n   w it h   s e v er al  ch alle n g es.  T h e  o th er   is   to   tab u late  w h ic h   ar e  th e  b est  tr ac k er s   to   ac h iev e   r ea l - ti m e  tr ac k i n g .     1 . 1 .      Cha lleng es in Visu a l T ra ck i ng   1 . 1 . 1 .   T he  pro ble m s   i n v is ua l   t ra ck ing   T h e  r ea l  co n tex t   o f   tar g et   t r ac k in g   s y s te m ,   b ased   o n   th e  b ase m e n t  o f   t h e  t h r ee   k e y   g litc h es.   Ro bu s t ne s s :  u n d er   th e  f r i g id   co n d itio n s ,   th e   tr ac k er   al g o r ith m s   s h o u ld   b e  ab le  to   tr a ck   t h e  tar g e t.  T h e   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 5 0 2 - 4752   I n d o n e s ia n   J   E lec  E n g   &   C o m p   Sci,   Vo l.  12 ,   No .   1 ,  Octo b er   2 0 1 8   :    7   –   16   8   tr ac k in g   g litc h e s   m a y   b e  clu tter ed   b ac k g r o u n d ,   p ar tial  an d   f u ll  c h an g i n g   ill u m i n atio n s ,   o cc lu s io n s   o r i g i n   o b j ec t m o tio n .   M ut a t io n:   T h e  tar g et  i ts el f   u n d er g o es  c h an g e s   w it h   d i f f er en t  e n v ir o n m en t   in   ea ch   f r a m e.   I t  r eq u ir es  a  s tab le   m ec h a n i s m   f o r   tr ac k i n g   s y s te m   to   th e  ac t u al  o b j ec t a p p ea r a n ce .   I m ple m ent a t io n:   Fas t  an d   o p ti m ized   r o b u s t  alg o r it h m s   a r e  r eq u ir ed   f o r   th e  f r a m e - r at e,   w h ich   e s tab lis h   s m o o th   v id eo   o u t - p u t.     1 . 1 . 2 .   V is ua l t ra ck er   W ith   t h e  s p ec i f ic  r i g id   b o u n d ar y   an d   tr a n s ie n t  co n d itio n s ,   t h e  o b j ec ts   a  m o n ito r   in   r ea l  ti m e  f r a m e s .   T h e  r ea l  tim e  tr ac k er   w il l  au t o m a ticall y   in ter p r et  o n   th e  o b j ec t  to   m o n ito r   an d   co llects  th e   in f o r m atio n   o f   t h e   co n tex t  s p ec if ied   ab o v e.   T h e  F ig u r e  1   s h o w s   t h e  f lo w   d ia g r a m   o f   a  v is u al  o b j ec t tr ac k e r.                 Fig u r e  1 .   Flo w   d ia g r a m   o f   a  v i s u al  o b j ec t tr ac k er       a)   Ob j ec t  d etec tio n   T h e  o b j ec t  d etec tio n   ca n   b e  d o n e  in   t w o   ap p r o ac h es  ( 1 )   te m p o r al  d if f er en ce :   T h is   m et h o d   is   t o   s u b tr ac t  t h e  t w o   co n s ec u ti v e  f r a m e  b y   f r a m e  w it h   a   s et  o f   t h e  th r es h o ld .     ( 2 )   B ac k g r o u n d   s u b tr ac tio n   m et h o d :  T h is   is   to   s u b tr ac t t h e  f o r e  a n d   b ac k g r o u n d   o r   r e f er en ce   m o d el  i m ag e s .   T h e  m o r p h o lo g ic  m eth o d   is   ap p lied   to   th e  ab o v e  ap p r o ac h es to   r em o v e  th e  n o is e  i n   th e  i m a g e.     b )   Ob j ec t tr ac k in g   T h er e  ar e  t w o   m a in   ap p r o ac h es  ar e  u s ed   to   tr ac k   t h e  r ea l - t i m e  o b j ec t,  o n e  is   2 - D  m o d el   ap p r o ac h   an o th er   i s   a  3 - D  m o d el.   T h e  2 - D  m o d el  tr ac k   th e  o b j ec t  b y   u s i n g   r ec ta n g u lar   m o d el,   U - s h ap e  m o d el,   w h ic h   co n s is t o f   an   i m a g e  ac q u is itio n   m o d u le  a n d   p r o ce s s   t h e  co o r d in ate  f o r   s i n g le  an d   m u ltip le   tar g et  tr ac k er s .   3 - D  g eo m etr ical   m o d el   an d   m o d el - b ased   ap p r o ac h   u s e  e x p licit   a  p r io r i  g eo m etr ical   k n o w led g e  o f   t h e  o b j ec t  to   s u r v eilla n ce   f o r   d if f er en t a p p li ca tio n s .     On ce   t h e  m o d el  is   f i x ed   w it h   v ar y i n g   co n te x t  s u c h   a s   ill u m i n atio n ,   o cc l u s io n s   co ll is io n s   ( s elf ) .   T h e   m o d el - b ased   ap p r o ac h es  [ 4 ] .   Mo s t  o f   th e  tr ac k i n g   m o d el  u s es  f i lter in g   m ec h a n is m   to   d etec t  ea ch   m o v e m e n t   o f   r ec o g n ized   o b j ec t [ 4 - 6 ] .   E x ten d ed   Kal m an   f ilter s   ( E KF)   o r   p ar ticle  f ilter s   h a v e  b e en   also   p r o p o s ed   [ 5 ,   7 ] .   HM Ms  ( h id d en   Ma r k o v   m o d els)  p r ed ict  an d   tr ac k   o b j ec ts   tr a j ec to r ies [ 8 ] .   c)   B eh av io r al  an al y s i s   T h e  f i n al  p h ase  o f   v id eo   s u r v eillan ce   s y s te m   is   to   m o n ito r   th e  ac t iv i t y   an d   b e h av io r   o f   t h e  tar g et.   T h e  ti m e - v ar y i n g   f ea tu r e  d at a  w ill  g i v e  t h e  i n f o r m atio n   o f   t h e  n e x t  s tag e,   w h ic h   i t  co n tai n s   p r e - co m p iled   m ea s u r in g   s eq u en ce   l ib r ar y   to   lab el  th e  tr ain i n g   d ataset  also   ca lled   as De ep - lean in g   m o d el.       2.   RE VI E W  ST RU CT U RE   T h e  ab o v e  f lo w   d iag r a m   s h o w s ,   t h e  r ev ie w   s tr u ct u r e,   an d   i ts   r ea l - ti m e  ch a l len g e s .   A l l  th e  tr ac k in g   s y s te m   w ill  eit h er   n ee d   t w o   t y p e  o f   in p u t  it  m a y   b e  a  s tati c  i m ag e  o r   th e  d y n a m ic  i n p u t .   T h e  co n tex t  o f   th e   d if f er e n t  m o d el  s h o w   d ep en d s   o n   th e  r ea l - t i m e  o b j ec t a p p ea r   in   th e  s ce n e.     a)   Sec - A.   Appea ra nce  m o del   Yan g   H u a  et  al.   [ 9 ]   i n  th i s   p ap er   th e  ap p ea r an ce   m o d el  o f   t h e  R OI   o b j ec t is co m p u ted   b y   u s in g   HO G   f ea t u r e.   I n   th i s   m o d el,   al g o r ith m   u s e  b o u n d i n g   b o x   w i th   li n ea r   SVM   d ata  s et  f o r   lear n i n g   an d   d etec tio n   o f   tr ac k in g   o b j ec t.  T h e  esti m ati n g   t h e  lo ca tio n   o f   t h e  o b j ec t  w i th   s e t  o f   p o s i ti v e  s a m p le s   w it h   t h e  b o u n d i n g   b o x   f o r   th e   f ir s t   f r a m e   an d   n e g ati v e  b o u n d i n g   b o x   s a m p le s   a u to m atica ll y .   T h e  F ig u r e   3   s h o w s   th e   r es u lts   o f   SVM   m o d el.     Me ij u an   B ai1   et   al.   [ 1 0 ]   i n   t h i s   a u th o r   u s e,   t w o   t y p e  o f   al g o r ith m   o n e   is   a  m u lti - f ea tu r e   r ep r esen tatio n   ( M FR )   a n d   c lass i f ier - lear n i n g   m o d el   ( C L M) .   Mo d el  ex tr ac t  t h e  i n te n s it y   a n d   p atter n     f ea t u r e  7 1 %  is   t h e  p atter n   b ased   w h ich   ar e  u n s tab le   w it h   e n v ir o n m e n t   o r   o b j ec t's   p atter n   ch a n g es.     Fig u r e  4   s h o w s   t h e  a u th o r   p r o p o s ed   co m p r ess i v e  tr ac k in g   alg o r ith m .   He n g   Fa n ,   J in h a i  Xian g   et  al  [ 1 1 ] ,   i n  th is   p ap er   MJ DL   ( m u ltit a s k   j o in t  d ictio n ar y   lear n i n g )   m o d el  is   u s ed   o n   th e  tar g et  o b ject  f o r   ex tr ac t  th e   Ob jec t   De tec ti o n   Ob jec t   T ra c k in g   Be h a v io r  &   A c ti v it y   a n a l y sis     Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esia n   J   E lec  E n g   &   C o m p   Sci     I SS N:  2502 - 4752       R o b u s t V is u a l Mu lti - Ta r g et  Tr a ck ers :   A   R ev iew   ( P a va n ku ma r .   E )   9   m o d ali t y   f ea t u r e  o f   co r r esp o n d in g   d is cr i m i n ati v e  d ictio n a r y .   Yo n g   W an g   et  al.   [ 1 2 ]   in   t h is   p ap er   th e y   p r o p o s ed   a  d if f er e n t  tr ac k er   s u c h   as  T r ac k in g   ( I VT ) ,   L 1   tr ac k in g   ( L 1 T ) ,   L 1 - A P G  t r ac k in g ,   m u l ti - tas k   tr ac k in g   ( MT T - L 0 1 ,   MT T - L 2 1 ) ,   Mu ltip le  I n s tan ce   L ea r n in g   tr ac k in g   ( MI L ) ,   co m p r es s iv e  tr ac k in g   ( C T ) ,   W ac v 1 2 ,   W MI L ,   L SS T ,   L 2 - R L S  w h ic h   an al y ze   t h e  2 2   v id eo   s eq u en ce s   a n d   co m p ar e d   w i th   th e  s ev e n   s ta te - of - t h e - ar t tr ac k i n g ,   as s h o w n   i n   Fi g u r e  5 .                           Fig u r e  2 .   Flo w   d iag r a m   o f   r e v ie w   s tr u ct u r e           Fig u r e  3 .   R esu lts   o f   SVM  T E C HNI QUE   w it h   b ik e  i n p u t i m ag e           Fig u r e  4 .   Au th o r   P r o p o s ed   c o m p r e s s i v e  as tr ac k in g   al g o r ith m           Fi g u r e  5 .   Au th o r   P r o p o s ed   c o m p r e s s i v e  tr ac k i n g   alg o r it h m   S e c - A   A p p e a ra n c e   m o d e l   INP UT   V IDEO   Ch a ll e n g e s   S e c - B   Ill u m in a ti o n   m o d e l   S e c - C   Oc c lu sio n   m o d e l   S e c - D   Ob jec t  d e tec ti o n   m o d e l   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 5 0 2 - 4752   I n d o n e s ia n   J   E lec  E n g   &   C o m p   Sci,   Vo l.  12 ,   No .   1 ,  Octo b er   2 0 1 8   :    7   –   16   10   J ian g h u   L u   et  al.   [ 1 3 ]   i n   th is   p ap er   th e  au th o r   u s ed   th e  e f f icie n t  m o d el  ca lled   C T   ( co m p r ess iv e   T r ac k in g )   w h ic h   tr ac k   t h e  ta r g et  a n d   d etec t.  I n   g e n er ativ e   an d   d is cr i m i n ati v e  m o d el   u s e  th e  co m p r ess i v e  d o m ai n   f o r   th e  e x tr ac tio n   o f   ap p ea r an ce   f ea tu r es.  C S  s en s in g   r ed u ce   ad ap tiv e  d i m en s io n   w it h   m u l ti - s ca le   f ea t u r es.    J u n s eo k   K w o n   et  al.   [ 1 9 ]   i n   th is   p ap er   au th o r   u s ed   d if f er en t  tr ac k er s   s u c h   as  VT S,  MI L ,   MI T   an d   A T S  f o r   th e  s u cc e s s f u l  tr ac k   o f   tar g et  u n d e r   ap p ea r an ce   co n tex t.  T h e  VT S  m o d el  is   u s ed   to   tr ac k   o b j ec t.  A T S  m o d el   co n ce n tr ate  o n   d eg r ee   o f   v ar y i n g   o b j ec t.   B o r is   et  al.   [ 3 6 ]   i n   t h is   p ap er   th e  a u t h o r   u s e s   t h e   m u ltip l e   in s ta n ce s   lear n i n g   al g o r ith m   MI L T ,   w h ic h   t h e  s et  o f   i m a g e  p atch es c an   b e  u p d ated   w i t h   ap p ea r an ce   m o d el.     b)      Sec - B .   I llu m ina t io n  m o d el   A r v in d Na y a k   et  al.   [ 1 4 ]   i n   th is   p ap er   au th o r   u s es   t h e  a u to   C o r r ec tio n   Sch e m e   t h at   al w a y s   tr an s f o r m s   th e  i m a g e  u n d er   s o m e  u n k n o w n   ill u m in at io n   to   m atc h   w it h   th e  k n o w   ill u m i n atio n   m o d el.   T h e   co r r ec tio n   s ch e m e  is   tes ted   o n   co lo r   an d   g r ay   le v el  i m ag in g .   Sar eh S h ir az i   et   al.   [ 1 6 ]   i n   th is   p ap er ,   th e   au th o r   p r o p o s ed   th e   A d ap tiv e   tr ac k i n g   m o d el   w h ic h   it   co n tin u o u s l y   u p d ates   s e t   o f   af f in e   s u b s p ac e,   a n d   each   s u b s p ac e   b u ild s   f r o m   t h e   o b j ec t   ap p ea r an ce   o v er   s ev er al   co n s ec u ti v e   f r a m es.   In   th e   n e w   f r a m e,   p r o p o s e   a   ca n d id ate   im a g e   ar ea   f o r   lo ca tin g   o b j ec t,   by   in cl u d in g   i m m ed iate   tr ac k i n g   h is to r y   of   o t h er   f r a m e s .   T h e   n o n - E u clid ea n   g eo m etr y   of   Gr ass m an n   m a n i f o ld s   is   u s ed   b et w ee n   af f i n e   s u b s p a ce   f r o m   th e   o b j ec t   m o d el   an d   ca n d id ate   ar ea   to   o b tain   th e   d ata.   J u n s eo k   K w o n   et   al.   [ 1 7 ]   i n   t h is   p ap er   th e   au t h o r   ill u s tr ates   t h e   tr ac k in g   of   a   tar g et   w it h   illu m i n atio n   c h a n g e s   u s in g   W L M C   an d   OI F   m o d el   th a t   tr ac k   ab r u p t   ap p ea r an ce   of   th e   o b ject.   Fig u r e   6   an d   7   s h o w s   t h e   r es u lts   of   th e   p r o p o s ed   tr ac k er .           Fig u r e  6 .   Au th o r   P r o p o s ed   I VT   as tr ac k in g   al g o r ith m         Fig u r e  7 .   Au th o r   P r o p o s ed   W L M C   an d   OI F  m o d el  as tr ac k i n g   al g o r ith m       Hao y u R en   et  al.   [ 1 8 ] ,   i n   th is   p ap er   au th o r   p r o p o s e  m o d el  ca lled   co - o cc u r r en ce   f ea tu r e s   b ased   o n   Haa r ,   L B P ,   an d   HOG   f o r   t h e  ap p ea r   d etec tio n   o f   t h e  tar g et.   I t  also   u s es   t h e  b o o s ter   d etec to r   w h ich   g iv e s   h i g h   ac cu r ac y   w it h   co m p u ted   ef f ici en tl y .   GE B   f r a m e w o r k   i s   u s ed   f o r   d is cr i m i n at i v e  ab ilit y ,   g en er aliza tio n   p o w er .     J u n s eo k   K w o n   et  a l.  [ 1 9 ] ,   i n   t h is   p ap er   th e  a u t h o r   n o v elize d   th e  tr ac k i n g   o b j ec t  in   ea ch   f r a m e  w it h   MU G  i n s tead   o f   a  M A P .   T h e  d r if t  p r o b le m   ca u s ed   b y   th e  n o is e  tar g et  ca n   b e  m i n i m i ze d   b y   co n v e n tio n al   MA P - b ased   m o d el.   Fi g u r e  8   Sh o w s   t h e  test   r es u lt s   o f   s ta n d a r d   d ataset  w it h   MU G.     Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esia n   J   E lec  E n g   &   C o m p   Sci     I SS N:  2502 - 4752       R o b u s t V is u a l Mu lti - Ta r g et  Tr a ck ers :   A   R ev iew   ( P a va n ku ma r .   E )   11       Fig u r e  8 .   Au th o r   P r o p o s ed   M A P - b ased   as  m o d el  tr ac k i n g   al g o r ith m       Z h i y o n g   L i,  So n g   Gao   an d   K eNa i  et  al.   [ 2 0 ]   i n   t h i s   p ap er   th e  a u t h o r   co n ce n tr ate  o n   MI L ,   OD FS ,   AFS,   t h at  tr ac k s   t h e  tar g et  ac cu r atel y .   T h e  w ei g h t  o f   ea ch   f ea tu r e  o f   t h e  tar g et  i s   d escr ib ed   ad ap tiv el y   b ased   o n   R OI   o b j ec t.  T a b le   1   s h o w s   th e  d if f er en t a lg o r it h m s .   Xi  C h e n et  al.   [ 2 1 ] ,   i n   th is   p ap er   th e  au th o r   d escr ib es  th e   n e w   v is u al  tr a c k in g   m eth o d   b ased   o n   co g n iti v e  a n d   p ar ticle  f ilter .   I n   t h is   m et h o d ,   s i x   in d ep en d e n t  eig e n v ec to r s   b y   a  m o d el  ca l led   VOCUS 2 .   T h is   k in d   o f   m o d el  u s ed   o n   th e  ap p ea r an ce   o f   m o v in g   o b j ec t  w i th   a  s a m e  b ac k g r o u n d .   T h e  av er ag e  d etec tio n   r ate  is   7 1 . 8 %.        T ab le  1 .   T r ac k in g   r ate   d if f er en t a lg o r it h m s       c)     Sec - C.   O cc lus io n   m o del   Yich u n   Sh i  et  al.   [ 2 2 ]   i n   t h is   p ap er   au t h o r   p r o p o s e  tr ac k er   b ased   o n   E n s e m b le - of - R a n d o m   C las s i f ier s   ( T E R C )   w h ic h   tr ac k s   t h e  o b j ec t  r esu lts   in   s tate - of - ar t.  T h e  d is tr ib u tio n   f ield   tr ac k er   ( DFT ) ,   th e  cir cu late  s tr u ct u r e  tr ac k er   ( C S K) ,   th e  co m p r es s iv e  tr ac k er   ( C T ) ,   an d   th e  lo ca lit y - s en s iti v e  h is to g r a m   tr ac k er   ( L SH)   w h ic h   u s es  th e  1 0   ch a l len g in g   s eq u en ce s   co n s id er in g   an   e x a m p le  o n   g ir l,  ti g er   et c.   Z h ao y u n   C h e n   et   al.   [ 2 3 ]   i n   th is   p ap er   th e  au t h o r   p r o p o s es  th e  ex te n d   ST C   ( s p atio te m p o r al  co n t ex t  lear n in g )   b y   ex p lo r in g   R GB - D  d ata  s et.   T h e  d ep th   in f o r m atio n   i s   i n tr o d u ce d   w ith   s p atial - te m p o r al  co n te x t  m o d el  to   i m p r o v e  s ca l e   esti m atio n ,   a n d   tr ac k   o cc lu s io n   an d   d ef o r m at io n .   R ae d Al m o m a n i  et  a l.  [ 2 4 ]   i n   t h is   p ap er   au t h o r   p r o p o s e   th e  m o d el  ca lled   B H A M  ( B ay e s ia n   Hier ar ch ical  A p p ea r an ce   Mo d el)   w h ic h   d etec t  t h e  p ar tial  an d   f u ll   o cc lu s io n .   T h e  m o v i n g   o b j ec t  tar g et  i s   s elec ted   an d   b ac k g r o u n d   s u b tr ac ted   w i th   t h e  s e g m en t.  T h e  KL T f ea tu r e  co n n ec t  b etw ee n   b lo b s   in   th e   co n s ec u tiv e   f r a m e.   Di n g   Do n g s h en g   et   al.   [ 2 5 ]   th is   p ap er   p r o p o s es  a  Fu s in g   te x t u r e  f ea tu r e  m o d el  to   u p d ate   th e  tar g e t  te m p la te  w it h   lo w   r o b u s t  co lo r   tack i n g .   T h is   m et h o d   u s e s   th e  P ar ticle  f ilter   al g o r ith m   [ 2 8 ]   u s ed   f o r   o cc lu s io n .   F ig u r e   9   s h o w   t h e  t est r esu l ts   o f   P F A .           Fig u r e  9 .  Au th o r   P r o p o s ed   p ar ticle  f ilter   as  m o d el  tr ac k i n g   al g o r ith m   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 5 0 2 - 4752   I n d o n e s ia n   J   E lec  E n g   &   C o m p   Sci,   Vo l.  12 ,   No .   1 ,  Octo b er   2 0 1 8   :    7   –   16   12   Z HU  S u   et  al.   [ 2 6 ]   i n   th is   p a p er   th e  au t h o r   p r o p o s ed   th e  t w o   m o d el  n o v el  r o b u s t  MFT   alg o r ith m   f o r   s alien c y   m ap p in g .   T h is   p ap er   also   in tr o d u ce s   P F  f o r   h a n d in g   ill u m i n atio n   v ar iat io n ,   a n d   o cc lu s io n .   J in   Y u a n   et  al.   [ 2 7 ]   i n   th is   p ap er   au t h o r   p r o p o s e  n o v el  o b j ec t  tr ac k in g   al g o r ith m   o n   r e al - t i m e   v id e o .   T h e  Fas t  Fo u r ier   T r an s f o r m   [ FF T ]   is   u s ed   f o r   t h e  ex tr ac tio n   o f   f ea t u r e  te m p l ate  o f   o b j ec t.  I t  also   u s ed   f o r   ex tr ac tio n   o f   cu r r e n t  an d   p r ev io u s   f r a m e s .   T h e  F ig u r e  10   s h o w s   th e  p r o p o s ed   f lo w   d iag r a m   o f   n o v el  o b j ec t  tr a ck in g   al g o r ith m   o n   r ea l - t i m e  v id eo .           Fig u r e  10 .   A u t h o r   P r o p o s ed   FF T   m o d el   as   tr ac k i n g   alg o r it h m       d)    Sec - D. O bje ct   det ec t io n  m o del   An d r ea s   E s s 1   B asti a n   L eib e   et  al.   [ 2 9 ]   i n   t h i s   p ap er   th e  au t h o r   p r o p o s es  th e  m u lti - h y p o t h eses   ap p r o ac h   f o r   th e  d etec tio n   o f   th e  o b j ec t.  T h e  h y p o th e s es  u s e  Kal m an   f ilter s   f o r   an al y s is   o f   t h e  o b j ec t.  T h e  o b j ec t  w ith   r esp ec t  to   ti m e  o v er   co m p lete  s et  o f   tr aj ec to r ies  is   esti m ated   w i th   KF  m o d el.   F ig u r e  11   s h o w s   th e   test   r esu lts   o f   p r o p o s ed   o b j ec t  tr ac k er   o f   p ap er .           Fig u r e  11 .   A u t h o r   P r o p o s ed   Kal m a n   Fil ter   m o d el   as tr ac k i n g   alg o r ith m       Kalisa  W ils o n   et  al.   [ 3 0 ]   i n   th is   p ap er   au t h o r   p r o p o s es  th e  Mo r p h o lo g ical  o p er atio n   an d   co lo r   s eg m e n tatio n   f o r   th e   d etec tio n   o f   m o v in g   t h e  o b j e ct  in   r ea l  ti m e  i m p le m e n tatio n .   I t  al s o   u s e s   th r e s h o ld i n g ,   w h ic h   u s ed   f o r   i m ag e  p r o ce s s in g .   Kev i n   L ea h y   et  al.   [ 3 1 ]   th e  p ap er   p r esen ted   to   tr ac k   an   o b j ec t  b y   u s i n g   Ma r k o v   C h ai n   m o d el,   th a t  is   m o v i n g   a m o n g   a  f i n ite  s et  o f   s tates.  A t  ea c h   ti m e  in s ta n t  m a y   s e ar ch   o n e  s tat e   f o r   th e  tar g et.   I t  is   k n o w n   th at  s ea r ch i n g   eit h er   o f   th e  m o s t  lik el y   lo ca tio n s   f o r   th e  tar g et  is   t h e  o p ti m al   ex p ec tatio n .   Sh e n g p i n g   Z h a n g   et  al.   [ 3 1 ]   t h is   p ap er   p r o p o s es  T h e  HM AX  m o d el   u s e s   Gab o r   f ilter   f o r   d etec tio n   o f   th e  o b j ec t,   w h er e  t h e   r esp o n s e  o f   t h e  s i m p le  ce l ls   w as   o b tain ed   u s in g   th e   s ec o n d   d er iv ati v e  o f   Ga u s s ia n   f ilter s .   T h e  in v ar ia n ce   p r o p er t y   o f   th e  co m p lex   ce ll  is   f o u n d   b y   m ax   p o o lin g   o p er ato r .   Hir o s h i  Ker a   et  al.   [ 3 2 ]   i n   th is   p r o p o s ed   p ap e r   th e  au th o r   u s ed   t h e  HSV  co lo r   h is t o g r a m s   f o r   o b tain in g   t h e  o b j e ct  p r o p e r ty .   I t  also   u s e s   th e  R o o tSIFT   Fis h er   v ec to r s   w it h   6 4   d im e n s io n s   f o r   th e  d etec tio n   o f   t h e  o b ject.   I n   v id eo - s h o t   s eg m e n tatio n ,   t h e  m ed ian   f ilte r   w it h   a  k er n e l size  o f   1 5   to   a  s eq u en ce   o f   af f i n itie s   to   co p e  w it h   o u t lier s .     Y u a n k ai  Q  e t  al.   [ 3 3 ] ,   i n   th is   p ap er   au th o r   u s es  t h e  C NN  m o d el   f o r   th e  cla s s i f icatio n   a n d   o b j ec t   r ec o g n itio n   tas k .   C N N  m o d el  lik e  R - C NN,   VG G - NE T ,   A le x - NE T ,   an d   C af f e - NE T .   B ase d   o n   th e  VGG - NE T   th e  d ee p er   ar ch itectu r e  o n   d ata  is   o b tain ed .   Fig . 1 2 .   s h o w s   th e  au th o r   p r o p o s ed   th e  m ai n   s t ep s   f o r   h an d li n g   t h e   o b j ec t d etec tio n   u s i n g   C NN.   Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esia n   J   E lec  E n g   &   C o m p   Sci     I SS N:  2502 - 4752       R o b u s t V is u a l Mu lti - Ta r g et  Tr a ck ers :   A   R ev iew   ( P a va n ku ma r .   E )   13     Fig u r e  12 .   A u t h o r   P r o p o s ed   C NN  m o d el  as tr ac k i n g   alg o r it h m       3 .        VALI DATI O N   T h is   p ap er   h as  p r esen ted   a  c o m p r e h en s iv e   r ev ie w   o f   t h e  s tate - of - t h e - ar t  o n   o b j ec t  v is u a l  tr ac k i n g   wi t h   a  v ar io u s   alg o r it h m   b ase d   o n   t w o   a s p ec ts   g e n er ativ e   a n d   d is cr i m i n ativ e.   T h e  p r in ci p le  b eh in d   th i s   i s   a   n u m b er   o f   tr ac k er s   ar e  p r o p o s ed   o v er   a  y ea r   i n   a  d if f er en t a p p licatio n ,   b u t  w h ich   i s   t h e  s u it ab le  tr ac k er ,   w h ich   ca n   b e  u s ed   ef f icie n t  a n d   ac cu r ate,   w h ic h   g iv e  h i g h   p er f o r m an ce   to   h an d le  t h e  r o b u s t n e s s   i n   all  co n d itio n s .   B y   th i s   r ev ie w ,   w e  ca m e  to   k n o w   th e  d i f f er en ce   b et w ee n   d if f er e n t  tr ac k er s   w h ich   is   u s ed   f o r   d if f er en t   ch alle n g e s   s u c h   as  ab r u p t  o b j ec t  m o tio n   f r o m   f r a m e  to   f r a m e ,   ap p ea r an ce   ch an g e,   n o n - r i g i d   o b j ec t  s tr u ctu r es,   o cc lu s io n   a n d   ill u m in atio n   w it h   ex a m p les.       T ab le  1 .   C h a llen g es  w i th   d i f f e r en t tr ac k er s                               T ab le  2 .   R ep r esen ts   th e  tab u la tio n   o f   al g o r ith m s ;  f o cu s   ar ea   ( d ataset)   u s ed ,   s tr en g t h   an d   wea k n e s s .   T h e  ab o v e  r ev ie w   an d   tab u la tio n   to   a  v i s u al  tr ac k i n g   alg o r it h m   w it h   d if f er en t c o n tex t  m o d el  ar e  h o p ed   to   p r o v id e  b en ef icia l r ef er en ce s   to   r esear ch er s   an d   co m p u ter   v i s io n   i n   a   r elate d   ar ea   R e f   p a p e r   n u m   A l g o r i t h m   u sed   Fo c u s   A r e a   ( D a t a set)   S t r e n g t h s   W e a k n e sses   [ 4 ]     K a l man   f i l t e r   Vi de o  s ur v e i l l an c e   S y st e m s   [ H u m an  t r ac k e r s]     Kal m an  f i l t e r  i nc r e as e s  t he  t i m e   c o ns i st e n c y .   D e f o r m at i o ns   an d  o c c l us i o ns   o c c ur   o n  t he   t ar g e t   i s  t he   bi g g e st   c ha l l e ng e   i n  t hi s   al g o r i t hm .     [ 5 ]     P a r t i c l e   f i l t e r s     H um an  t r ac k e r s     Un - m an ne d  v e hi c l e s,     R o bo t  t an n i ng   m o de l     W o r k s  f o r  a ny  o bs e r v at i o n  m o de l   an d  an y  m o t i o n  m o de l     P ar t i c l e  f i l t e r s  sc al e  we l l     La c k  o f  d i v e r si t y .     [ 6 ]   D i scre t e   K a l man   F i l t e r     S e r v o  m o t o r     l o w r an g e  v i e w o f  c am e r a.     l o w FP S  ( F r a m e  p e r  Se c o nd ) .     S l o we r  s e t t l i ng  t i m e .     [ 7 ]   G r a p h i c a l   M o d e l   f o r   T r a c k i n g - by - D e t e c t i o n     H um an  t r ac k e r s     T r ac k i ng  m o de l  c o nc e nt r a t e s  o n  ac c ur at e  a nd  s m o o t h  e g o - m o t i o n  e st i m at e .     Int e r ac t i o ns  m o de l  a r e  u se d  t o   so l v e  t wo - st ag e  p r o c e ss .             T r a c k e r   C H ALL EN G E S   Ap p e a ra n c e     Mo d e l   I l l u m i n a t i o n     Mo d e l   O c c l u si o n   M o d e l   O b j e c t   d e t e c t i o n   M o d e l   M I L T   HOG   M F R / C L   M JD L   I V T   M I L   CT   V T S   C S   AT   W L M C ,   O I F   H A A R ,   L B P   M U G   M I L , O D F S   A F S   V O C U S 2   T ER C ,   D F T   C S K   S T C   B H A M   K L T   PF   M F TA   FT   C T   S W   PFF             KF   M O R P H O L O G Y   H M A X   M O D EL   R O O T   S I F T   R - C N N   VGG - N ET   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 5 0 2 - 4752   I n d o n e s ia n   J   E lec  E n g   &   C o m p   Sci,   Vo l.  12 ,   No .   1 ,  Octo b er   2 0 1 8   :    7   –   16   14   R e f   p a p e r   n u m   A l g o r i t h m   u sed   Fo c u s   A r e a   ( D a t a set)   S t r e n g t h s   W e a k n e sses     [ 8 ]   B a y e si a n   T r a c k i n g   A p p r o a c h     H um an     A ni m al s     M o v i e  f r am e     B ay e si a n  an al y s i s  c an  b e  m o r e   r o bu st  t o  o ut l i e r s, b y  u s i ng  m o r e   f l e xi bl e  d i st r i bu t i o ns     C o m pl e x i n  i m pl e m e nt .     [ 9 ]   H O G   f e a t u r e s     Us e d  o n  t he  b i k e   r i de r     H um an  f i ng e r .     B y  u si ng  HO G  f e at ur e  e xt r ac t i o n  be t t e r   r e su l t s  c an  b e  a c h i e v e d  o n  e dg e s, c e l l s  e t c .     It  wo r k s  o n  si ng l e  o r i e n t at i o n - i nd e pe nd e nt   e dg e  p r e se nc e   c o un t .     [ 1 0 ]   C o mp r e ssi v e   T r a c k i n g   H um an  f ac e     H i g h  pr o ba bi l i t y  c an  b e  a c hi e v e d  o n  di m e ns i o na l  f e a t ur e  a nd  s pa c e   us i ng  CT       A  s i ng l e  f e at ur e   i s  us e d  t o   r e pr e se nt  t he  o bje c t .     La c k  o f    f l e xi b i l i t y ,   Ins t ab i l i t y  o f   appe ar an c e  m o de l .   [ 1 1 ]   M u l t i t a sk   Jo i n t   D i c t i o n a r y   L e a r n i n g     H um an  f ac e     F o r  s pa r se  r e - pr e se n t at i o n  d e pt h  i nf o r m at i o n  i s  pr o v i d e d  us i ng   M J D L  m o de l . It  c an s  ha nd l e   l ar g e   da t a.     C o m pl e x i n  i m pl e m e nt at i o n.   [ 1 2 ]   M u l t i - f e a t u r e   j o i n t   sp a r se   R e p r e se n t a t i o n     H um an s     A ni m a ls     B o o k s  i n  t he  l i br ar y .     C ap t ur e s  t he  f r e qu e nt l y  e m e r g i ng   o ut l i e r  t as k s  i n  t he   o bje c t .     C o m pl e x i n  i m pl e m e nt at i o n.     [ 1 4 ]   S i mBI L .     3D  m o de l     R e f r ac t i v e  i nd e x s t r uc t ur e   c o ns t an t  i s  m o de l l e d  by  s p e c k l e   i nt e r ac t i o n  o n  a  r o ug h  su r f ac e .      S i m B IL i s  a  l o ng  p r o c e ss  a nd  t i m e - c o ns um i ng .   [ 1 5 ]   M o d e l - b a se d   t r a c k e r s.     H um an  f ac e   [ P e de st r i an s]     T he  o f f - l i ne  t an n i ng  p r o c e ss  i s  us e d  f o r   t he  t r a c k e r .      T he  l i m i t at i o n  o f  t hi s  m o de l   i n  whi c h  i t  c an   t ac k  s e t  o f   o bje c t s.   [ 1 6 ]   S u b s p a c e   B a se d   T r a c k e r s     H um an  f ac e     O n  c ur r e nc y  n o t e     M ul t i pl e  o bje c t s  i s  r e p r e se nt e d  i n  a  si ng l e  f r am e  u si ng  s ub sp ac e   t r ac k e r  m o de l .       T he  l ar g e r  d at a  se t  c an no t  b e   ha nd l e d  i n  t h i s  m o de l  a s  i t  h as   m o r e  v ar i at i o n  i n  ap pe ar an c e .     Off - l i ne  p r e - t r ai ne d  da t a  r e qu i r e   f o r  t r ac k i ng  t he   o bje c t .   [ 1 7 ]   M a r k o v   C h a i n   M o n t e   C a r l o     D an c e r     H i g h  ac c ur ac y .     La r g e  d at a  c an  b e  h an dl i ng .     C o m pl e x t o  i m pl e m e nt .     T i m e - c o ns u m i ng .   [ 1 8 ]   B a l a n c e d   Co - o c c u r r e n c e   F e a t u r e s     P e de st r i an s     S e l e c t i o n  o f  c o - o c c u r r e nc e   pa t t e r ns  m ak e s  m ajo r  a dv an t ag e   i n  R e al A da  B o o s t  s y st e m .     si ng l e  c o - o c c ur r e n c e  f e a t ur e   ac hi e v e  l o we r  a c c ur ac y   [ 1 9 ]   M i n i m u m   U n c e r t a i n t y   G a p   Est i m a t i o n     H um an  t r ac k e r     S k y  b i r d     H i g he st  l i k e l i ho o d  sc o r e  i s  ac hi e v e d  wi t h  b e st  s t at e  g ap   e st i m at i o n.     F ai l e d  t o  t r ac k  a n  o bje c t  i n  m an y  t e st  v i de o s.   [ 2 0 ]   T i me d   M o t i o n   H i st o r y   I mag e   [ T M H I   M O D EL ]   W i t h   M u l t i - f e a t u r e   A d a p t i v e   F u si o n     H um an  t r ac k e r     F o r  t he  b e t t e r m e nt  o f   t ar g e t   de sc r i pt i o n, HS V c o l o r  f e a t ur e  a nd   e dg e  o r i e nt at i o n  f e a t ur e  a r e  u se d.       C o m pl e x i n  i m pl e m e nt at i o n.   [ 2 1 ]   V i su a l   a t t e n t i o n   sy st e m (V O C U S 2 )     H um an     F o o t ba l l     F ac e     H an d      B e t t e r  d e sc r i pt i v e  a bi l i t y .     A v e r ag e  c l e ar l y  o u t pe r f o r m s   [ 2 2 ]   T h e   e n se mb l e   o f   R a n d o m  C l a ssi f i e r s  ( T ER C )     H um an     B i r d      T i g e r         B y   i nt r o du c i ng   l at e nt   v ar i ab l e ,   t he   c l as si f i e r   l e ar ns   d i f f e r e nt   ap pe ar an c e   i nf o r m at i o n,  whi c h  g i v e s  ac c ur at e  o u t pu t .     C o m pl e x i n  i m pl e m e nt at i o n.       [ 2 3 ]   S p a t i o - t e mp o r a l   c o n t e x t   L e a r n i n g ( S T C )     B as k e t ba l l  p l ay e r     A do pt e d  o c c l us i o n  de t e c t i o n  an d  r e g i o n  g r o wi ng  m e t ho d, h i g h   C o m pu t i ng  e f f i c i e nc y .     W e ak  i n  r o bu st  o bje c t   l o c at i o n.     [ 2 4 ]   B a y e si a n   H i e r a r c h i c a l   A p p e a r a n c e   M o d e l   ( B H A M )     H um an       C an  h an dl e  f ul l  a nd  p ar t i al   o c c l u si o n  wi t h  su pe r i o r   pe r f o r m an c e .      W e ak  i n  m ul t i pl e  o bje c t   t r ac k i ng  a nd  d e f o r m ab l e   o bje c t s  t r ac k i ng .     [ 2 5 ]     A   p a r t i c l e   f i l t e r   ( P a r t i c l e ,   P F )     H um an       T he   ac c ur at e   i l l um i na t i o n  c ha ng e s  i n  t he   t r ac k i ng   o f   t h e   o bje c t   ar e   ac hi e v e d  by  P F     B y  u si ng  c o l o r  P F  i n  t he   t r ac k i ng  o f  a n  o bje c t ,  i t  i s  m o r e   i m m un e  t o  i l l um i na t i o n.     [ 2 6 ]   sal i e n c y - b a se d   t a r g e t   d e scri p t o r     H um an       T hi s  t r ac k e r  h an d l e s  i l l um i na t i o n,  c l ut t e r ,  s i m i l ar  b ac k g r o un d  an d  o c c l us i o n  v e r y  a c c ur at e l y .      C o m pu t at i o n  i s  m o r e .   Evaluation Warning : The document was created with Spire.PDF for Python.
I n d o n esia n   J   E lec  E n g   &   C o m p   Sci     I SS N:  2502 - 4752       R o b u s t V is u a l Mu lti - Ta r g et  Tr a ck ers :   A   R ev iew   ( P a va n ku ma r .   E )   15   R e f   p a p e r   n u m   A l g o r i t h m   u sed   Fo c u s   A r e a   ( D a t a set)   S t r e n g t h s   W e a k n e sses     [ 2 7 ]   O n l i n e   l e a r n i n g   A l g o r i t h m .     CA R     D av i d  i nd o o r     B o l t     C o k e     F o r  t he  d e t e c t i o n  o f  o bje c t ,   C o ar se - to - f i ne  s l i di ng  wi nd o w  se ar c h  al g o r i t hm  i s  us e d.     T he  o nl y  o c c l us i o n  i s  d e t e c t e d.     [ 2 8 ]   R G B D   T r a c k e r s   3 D   p a r t - b a se d   sp a r se   t r a c k e r     H um an       F o r  t he  d e t e c t i o n  o f  o bje c t   e xpl o r i ng  p ar t - by - pa r t  s pa t i a l  e nc o de r  a r e   us e d.     T hi s  t r ac k e r   i s  m o r e  s e ns i t i v e   t o  s y nc hr o ni z at i o n  an d  r e g i st r at i o n  no i se .     [ 2 9 ]   F a i l u r e   p r e v e n t i o n ,   d e t e c t i o n ,   a n d   r e c o v e r y   me c h a n i sms     A e r i al  i m ag e s     It  c an  h an dl e  d i f f e r e nt  c ha l l e ng e s.     Le ss  s pe e d  an d  pe r f o r m an c e     [ 3 0 ]   R - C N N   f e a t u r e s     D at as e t   o f   pe r so na l   i nt e r ac t i o n  wi t h   29 - se qu e nc e s  i s  us e d.       P r e - t r ai ni ng  a c hi e v e d  e f f e c t i v e   t r ac k i ng  o f   t he  o bje c t .       M o r e  d at a  se t  i s  r e qu i r e d  f o r   t he  i m pr o v e m e nt  o f   f e at ur e   de sc r i pt i o n  an d  o bje c t - c an di da t e  g e ne r at i o n.       R E FE R E N C E S     [1 ]   Ha n x u a n Ya n g ,   L in g   S h a o , F e n g Zh e n g     L i a n g Wan g d ,   Zh a n   S o n g   “ Re c e n t  a d v a n c e s  a n d   tren d s  in   v is u a l  trac k in g :  A   re v ie w" Ne u ro c o m p u ti n g   7 4   (2 0 1 1 )  3 8 2 3 – 3 8 3 1 ,   re p ri n t  i n   1 0   j u n e   2 0 1 5 .   [2 ]   W e n h a n L u o   , Ju n li a n g   X in g 2   ·  Xia o q i n   Zh a n g 3   ·  Xia o w e i  Zh a o 1   ·  T a e - K y u n Ki m 1   “ M u lt ip le  Ob je c t  T ra c k in g :  A  Li tera tu re   Re v ie w”   2 1   S e p   2 0 1 5 a rX iv :1 4 0 9 . 7 6 1 8 v 3   [ c s.C V]   .   [3 ]   X in   L i,   Qia o   L iu ,   Zh e n y u   He , Ho n g p e n g   W a n g ,   Ch u n k a i  Zh a n g ,   W e n - S h e n g   Ch e n   " A  m u lt i - v ie w   m o d e l  f o r  v isu a l  trac k in g   v ia co rre latio n   f il ters ” h tt p :/ /d x . d o i . o rg /1 0 . 1 0 1 6 /j . k n o sy s.2 0 1 6 . 0 9 . 0 1 4   0 9 5 0 - 7 0 5 1 /©  2 0 1 6   El se v ier.   [4 ]   M .   V a lera   a n d   S . A .   V e las ti n ”   In telli g e n t  d istri b u ted   s u rv e il lan c e   s y ste m s:  a   re v ie w ”   IEE   P ro c e e d i n g s  o n li n e   n o .   2 0 0 4 1 1 4 7 d o i:   1 0 . 1 0 4 9 /i p - v is:2 0 0 4 1 1 4 7 .   [5 ]   M e n g m e n g   W a n g 1 ,   Yo n g   L iu 2 ,   a n d   Ro n g   Xio n g 2 "   Ro b u st  O b jec t  T ra c k in g   w it h   a   Hie ra rc h ica l  En se m b le   F ra m e w o rk " a rX iv :1 5 0 9 . 0 6 9 2 5 v 2   [ c s.C V]   1 0   A u g   2 0 1 6 .   [6 ]   A b d u rra h m a n ,   F . ,   G u n a w a n S u g iarta a n d F e riy o n ik a "   i m p le m e n tatio n   o f   Ka lma n   f il ter  o n   v isu a l" trac k in g   u sin g   P ID   c o n tro ll e r" M e c h a tro n ics   a n d   A p p li c a ti o n s: A n   In tern a ti o n a l  Jo u rn a l  (M ECHA T RO J),  V o l .   1 ,   No . 1 ,   2 0 1 6   [7 ]   A n d re a sEss ,   Ba stian   Leib e ,   Ko n r a d   S c h i n d ler,  a n d   L u c   v a n   G o o l  " Ro b u st  M u lt i - P e rs o n   T ra c k in g   fro m   a   m o b il e   p latf o rm " ww w . c o m p u ter.o rg /cs d l/ tran s/tp / 2 0 0 9 / 1 0 /t tp 2 0 0 9 1 0 1 8 3 1 - a b s.h tm l   [8 ]   Ju n se o k   Kw o n   a n d   Ky o u n g   M u   L e e   “ T r a c k in g   b y   S a m p li n g   T r a c k e r s”   2 0 1 1   I EE E  I n te rn a ti o n a l   Co n f e re n c e   o n   Co m p u ter V isi o n 9 7 8 - 1 - 4 5 7 7 - 1 1 0 2 - 2 / 1 1 / $ 2 6 . 0 0   © 2 0 1 1   IEE E.   [9 ]   Ya n g   Hu a Ka rtee k A l a h a riCo rd e li a S c h m id   “ On li n e   Ob jec t  T ra c k in g   w it h   P r o p o sa l  S e lec ti o n ”   1 5 5 0 - 5 4 9 9 / 1 5   $ 3 1 . 0 0   ©  2 0 1 5   IEE E,   DO I  1 0 . 1 1 0 9 /ICC V . 2 0 1 5 . 3 5 4 .   [1 0 ]   M e ij u a n   Ba i1 ,   Xi o n g   Z h a n g 1   “ f a s t  c o m p re ss iv e   trac k in g   b a se d   o n m u lt i - fe a tu re   w e i g h ted   a p p e a ra n c e   m o d e l”   a te   o f  Co n f e re n c e :   21 - 2 3   S e p t.   2 0 1 5   D a te  A d d e d   to   IEE E   Xp l o re :   0 7   A p ril   2 0 1 6   El e c tro n ic  IS BN :   9 7 8 - 1 - 7 8 5 6 1 - 0 3 5 - 6  INSP EC  A c c e s sio n   Nu m b e r :   1 5 6 6 2 7 6 0 .   [1 1 ]   He n g   F a n ,   Jin h a i  X ian g   “ Ro b u st   V isu a l   T ra c k in g   w it h   M u lt it a sk   Jo in t  Dic ti o n a ry   Lea rn in g ”   1 0 5 1 - 8 2 1 5   (c )  2 0 1 5   IEE E. DO I1 0 . 1 1 0 9 /T CS V T . 2 0 1 6 . 2 5 1 5 7 3 8 ,   IEE ET ra n sa c ti o n s o n   C ircu it s an d   S y ste m s  f o r  V id e o   T e c h n o lo g y .   [1 2 ]   Y o n g   W a n g ,   X in b in L u o ,   S h i q i a n g H u .  ” v isu a l  trac k in g   v ia  ro b u st  m u lt i - tas k   m u lt i - f e a tu re   jo in t  sp a rse   re p re se n tatio n "   9 7 8 - 1 - 4 7 9 9 - 9 9 8 8 - 0 /1 6 /$ 3 1 . 0 0   ©2 0 1 6   IEE E  ICA S S P   2 0 1 6 .   [1 3 ]   Jia n g h u   L u 1 ,   Di  Hu a n g 2 ;_ ,   Yu n h o n g   W a n g 1 ,   a n d   L o n g ten g   Ko n g 1   “ S CAL IN G   AN D  OCC L US ION   ROBU S T   AT H L E T E  T R A CKIN G   IN  S P ORT S   V IDEOS”  2 0 1 6   IE EE   I n t e rn a ti o n a l   Co n f e re n c e   o n   A c o u stics ,   S p e e c h   a n d   S ig n a l  P ro c e ss in g   (ICA S S P ) Ye a r:  2 0 1 6 P a g e s:   1 5 2 6   -   1 5 3 0 ,   DO I:   1 0 . 1 1 0 9 /ICA S S P . 2 0 1 6 . 7 4 7 1 9 3 2 .   [1 4 ]   A .   Na y a k ;   E.   T ru c c o ;   A .   A h m a d ;   A .   M .   Wallac e   “ S imB IL :  a p p e a ra n c e - b a se d   sim u latio n   o f   b u rst - il l u m in a ti o n   las e r   se q u e n c e s ”  IET   I m a g e   P r o c e ss in g Ye a r:  2 0 0 8 ,   V o l u m e :   2 ,   Iss u e :   3 P a g e s:   1 6 5   -   1 7 4 ,   DO I:   1 0 . 1 0 4 9 /i e t - ip r:2 0 0 7 0 2 0 7 .   [1 5 ]   Da v id   He ld ,   S e b a stian   T h ru n ,   S il v io   S a v a re se   “ L e a rn in g   to   T ra c k   a t  1 0 0   F P S   w it h   De e p Re g re ss io n   Ne tw o rk s” a rX iv :1 6 0 4 . 0 1 8 0 2 v 2   [c s.CV]   1 6   A u g   2 0 1 6 .   [1 6 ]   S a re h S h iraz i,   C o n ra d   S a n d e rso n , Ch ris  M c Co o l,   M e h rtas h   T .   Ha ra n d i    “ Ba g s  o f   Aff in e   S u b sp a c e s  f o r  Ro b u s t   Ob jec t  T ra c k in g ”   a rX iv :1 4 0 8 . 2 3 1 3 v 3   [ c s.CV] 5   F e b   2 0 1 6 .   [1 7 ]   J  u n se o k   Kw o n   a n d   Ky o u n g   M u   L e e   “ V isu a l  T ra c k in g   De c o m p o siti o n ”   9 7 8 - 1 - 4 2 4 4 - 6 9 8 5 - 7 /1 0 / $ 2 6 . 0 0   ©2 0 1 0   IEE E.   [1 8 ]   Ha o y u Re n ,   Ze - Nia n   L i  “ Ob jec t  De tec ti o n   Us in g   G e n e ra li z a ti o n   a n d   Ef f icie n c y   B a lan c e d Co - o c c u rr e n c e   F e a tu re s”   2 0 1 5   IE EE   I n tern a ti o n a l  Co n f e re n c e   o n   Co m p u ter   V isi o n   (ICC V ) Ye a r:  2 0 1 5   P a g e s:   46   - 54 ,   DO I:   1 0 . 1 1 0 9 /ICC V . 2 0 1 5 . 1 4 .   [1 9 ]   Ju n se o k   Kw o n ,   Ky o u n g   M u   L e e   " A d a p ti v e   V isu a l  T ra c k in g   w i th   M i n im u m Un c e rt a in ty   Ga p   Esti m a ti o n "   IEE E   tran sa c ti o n s o n   p a tt e rn   a n a ly sis a n d   m a c h in e   in telli g e n c e ,   V OL .   3 9 ,   NO .   1 ,   JA NU A RY 2 0 1 7 .   [2 0 ]   Zh iy o n g   L i,   S o n g   G a o   a n d   Ke n a i,   Yin g   Zen g   " Ro b u st  O b jec t  T ra c k in g   Ba se d   o n   T im e d   M o ti o n Hi sto ry   I m a g e   W it h   M u lt i - f e a tu re   A d a p ti v e   F u si o n "   9 7 8 - 1 - 5 0 9 0 - 4 0 9 3 - 3 / 1 6 / $ 3 1 . 0 0   ©2 0 1 6   IEE E  ICNC - F S KD .   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 5 0 2 - 4752   I n d o n e s ia n   J   E lec  E n g   &   C o m p   Sci,   Vo l.  12 ,   No .   1 ,  Octo b er   2 0 1 8   :    7   –   16   16   [2 1 ]   X i  C h e n ,   Yu a n   Zh a n g ,   Zh a o h u i   L i  “ V isu a l  T ra c k in g   w it h   a   Co g n it iv e   Ob se rv a ti o n   M o d e l”9 7 8 - 1 - 4 0 9 9 - 5 / 2 0 1 6   IEE E.   [2 2 ]   Yic h u n   S h i1   a n d   He sh e n g   W a n g 2   “ V isu a l  T ra c k in g   v ia   a n   En se m b le  o f   Ra n d o m   Cl a ss i f iers ”   9 7 8 - 1 - 4 6 7 3 - 8 9 5 9 - 4 /1 6 /$ 3 1 . 0 0   ©  2 0 1 6   IE EE   Ju n e   6 - 9 ,   2 0 1 6 ,   A n g k o r  W a t,   Ca m b o d ia.   [2 3 ]   Zh a o y u n   Ch e n ,   L e i  L u o ,   M e i  W e n ,   Ch u n y u a n   Z h a n g   “ F A S T   T R ACK IN G   V IA   CON T EX T   DEP T H   [2 4 ]   M OD EL   L E A RNI N G ”   9 7 8 - 1 - 4 7 9 9 - 8 3 3 9 - 1 /1 5 /$ 3 1 . 0 0   ©2 0 1 5   IEE E  ICI P   2 0 1 5 .   [2 5 ]   Ra e d A l m o m a n i,   M in g   Do n g   a n d   Do n g x iao   Zh u   “ A   B A YES I AN   HIER A RCHIC AL   A P P EA RAN CE  M OD EL   F OR  ROBU S T   OBJ EC T   T R A CKI N G ” 2 0 1 6   IEE E  I n tern a ti o n a l  Co n f e re n c e   o n   M u lt im e d ia  a n d   Ex p o   ( ICM E) Ye a r:  2 0 1 6 P a g e s:   1   -   6 ,   DO I:   1 0 . 1 1 0 9 /ICM E. 2 0 1 6 . 7 5 5 2 9 0 9 .   [2 6 ]   Din g   Do n g sh e n g   1 ,   Jia n g   Zen g r u   2 ,   L iu   Ch e n g y u a n 3   “ Ob jec t  T r a c k in g   A l g o rit h m   B a se d   o n   P a rti c le  F il ter  w it h   Co lo r  a n d   T e x tu re   F e a tu re ”   P r o c e e d in g s  o f   th e   3 5 t h   Ch i n e se   Co n tr o l  Co n f e re n c e 2 0 1 6   3 5 th   C h in e se   Co n tro l   Co n f e re n c e   (CCC) Ye a r:  2 0 1 6   P a g e s:   4031   -   4 0 3 6 ,   DO I:   1 0 . 1 1 0 9 / Ch iCC. 2 0 1 6 . 7 5 5 3 9 8 3 .   [2 7 ]   ZHU  S u 1 , 2 ,   BO  Yu m in g 1 ,   HE  L ian g 1 ” Ro b u st  M u l ti - f e a tu re   V isu a l  T ra c k in g   w it h   a   S a li e n c y - b a s e d   T a r g e t   De sc rip to r” 2 0 1 6   3 5 t h   Ch in e se   Co n tr o l   Co n f e re n c e (CCC) Ye a r:   2 0 1 6 P a g e s:   5 0 0 8   -   5 0 1 3 ,   DO I:   1 0 . 1 1 0 9 /C h iCC. 2 0 1 6 . 7 5 5 4 1 3 2 IEE E   Co n f e re n c e   P u b li c a ti o n s .   [2 8 ]   Jin   Yu a n ,   Do n g   Xu ,   He n g - Ch a n g   X io n g ,   Zh i - Y o n g   L i  " A   No v e l  Ob jec t  T ra c k in g   A lg o rit h m   b a s e d   o n   e n h a n c e d   P e rc e p ti o n   Ha sh   a n d   On li n e   tem p late   m a tch in g "   9 7 8 - 1 - 5 0 9 0 - 4 0 9 3 - 3 /1 6 /$ 3 1 . 0 0   ©2 0 1 6   IEE E  ICNC - F S KD .   [2 9 ]   A d e l  Bib i,   T i a n z h u   Zh a n g ,   a n d   B e rn a rd   G h a n e m   “ 3 D  P a rt - Ba se d   S p a rse   T r a c k e r  w it h   A u to m a ti c   S y n c h ro n iza ti o n   a n d   Re g istratio n ”   2 0 1 6   IEE E   Co n f e re n c e   o n   Co m p u ter  Visio n   a n d   P a tt e rn   Re c o g n it i o n   (CVPR) Ye a r:  2 0 1 6 , P a g e s:   1 4 3 9   -   1 4 4 8 ,   DO I:   1 0 . 1 1 0 9 /C VP R. 2 0 1 6 . 1 6 0 .   [3 0 ]   A n d re a s E s s1   Ba stian   L e ib e 1   Ko n ra d   S c h i n d ler 1   L u c   V a n   G o o l  “ A   M o b il e   V isio n   S y ste m   f o r  Ro b u st M u lt i - P e rso n   T ra c k in g ”   2 0 0 8   IEE E  Co n f e re n c e   o n   Co m p u ter   Visio n   a n d   P a tt e r n   Re c o g n it io n Ye a r:  2 0 0 8 P a g e s:   1   -   8 ,   DO I:   1 0 . 1 1 0 9 /C VP R. 2 0 0 8 . 4 5 8 7 5 8 1 .   [3 1 ]   S h e n g p i n g   Zh a n g ,   M e mb e r,  IEE E ,   X ia n g y u a n L a n ,   S tu d e n t  M e mb e r,  IEE E ,   Ho n g x u n   Ya o ,   M e mb e r,  IEE E ,   " A   Bio lo g ica ll y   In sp ired   A p p e a ra n c e   M o d e l  f o r  Ro b u st  V is u a l  T ra c k in g "   2 1 6 2 - 2 3 7 X  ©  2 0 1 6   IEE E   tran sa c ti o n s  o n   n e u ra l  n e tw o rk s an d   lea rn i n g   sy st e m s.   [3 2 ]   Ke v in   Lea h y   a n d   M a c   S c h w a g e r  " A l w a y s  Ch o o se   S e c o n d   Be st:  T ra c k in g   a   M o v in g   Targ e t  o n   a   G r a p h   w it h   n o isy   Bin a ry   S e n so r"   P ro c .   o f   th e   E u ro p e a n   Co n tro l   Co n f e re n c e   (ECC  1 6 )  JU NE  2 0 1 6 .   [3 3 ]   Hiro sh i  Ke ra ,   Ry o   Yo n e tan i,   Ke it a   Hig u c h i  “ Disc o v e rin g   Ob jec ts  o f   Jo in t  A tt e n ti o n   v ia  F irst - P e rso n   S e n sin g ”   9 7 8 - 1 - 5 0 9 0 - 1 4 3 7 - 8 / 1 6   $ 3 1 . 0 0   ©  2 0 1 6   IEE E,   DO I  1 0 . 1 1 0 9 /CVP RW . 2 0 1 6 . 5 2 ,   2 0 1 6   IEE E  C o n f e re n c e   o n   Co m p u ter  V isio n   a n d   P a tt e r n   Re c o g n it i o n   W o rk sh o p s.   [3 4 ]   Yu a n k a i  Qi †  S h e n g p in g   Zh a n g †  L e i  Qin _  Ho n g x u n   Ya o †  Qin g m i n g   Hu a n g † , _ Jo n g w o o   L i m _  M in g - Hs u a n   Ya n g §  “ He d g e d   De e p   T ra c k in g ”   1 0 6 3 - 6 9 1 9 /1 6   2 0 1 6   IE EE ,   DO I  1 0 . 1 1 0 9 / CVP R. 2 0 1 6 . 4 6 6 .   [3 5 ]   L i  Zh a n g ,   Yu a n   L i  a n d   Ra m a k a n tNe v a ti a   “ G lo b a l  Da ta  As so c i a ti o n   f o r  M u lt i - Ob jec t  T ra c k in g Us in g   Ne t w o rk   F lo w s”   2 0 0 8   IEE E  Co n f e re n c e   o n   Co m p u ter  V isio n   a n d   P a tt e rn   Re c o g n it io n Ye a r:  2 0 0 8 P a g e s:   1   - 8 ,   DO I:   1 0 . 1 1 0 9 /C VPR. 2 0 0 8 . 4 5 8 7 5 8 4 .   [3 6 ]   J´   e r  ˆo m e Be rc l a z ,   F ra n c ¸ o isF leu re t,   En g in   T ¨  re tak e n ,   a n d   P a sc a l  F u a ,   S e n i o r  M e m b e r,   IEE E   " M u lt i p le  Ob jec t   T ra c k in g   u sin g - S h o rtes t  P a th s Op ti m iza ti o n "   EE E  T ra n sa c ti o n s o n   P a tt e r n   A n a l y sis a n d   M a c h in e   I n t e ll ig e n c e   [3 7 ]   Bo ris  Ba b e n k o ,   M i n g - Hs u a n   Ya n g ,   S e rg e   Be lo n g ie  “ V isu a l  T r a c k in g   w it h   On li n e   M u lt i p le  In st a n c e   Lea rn in g ”   Bo ris  Ba b e n k o ;   M in g - Hs u a n   Ya n g ;   S e rg e   Be lo n g ie 2 0 0 9   IEE E  Co n f e re n c e   o n   Co m p u ter   V isi o n   a n d   P a tt e r n Re c o g n it io n Ye a r:   2 0 0 9 P a g e s:   9 8 3 9 9 0 ,   DO I:   1 0 . 1 1 0 9 /C VPR. 2 0 0 9 . 5 2 0 6 7 3 7         Evaluation Warning : The document was created with Spire.PDF for Python.