Linear Regression and Adaptive Appearance Models for Fast Simultaneous Modelling and Tracking

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F11%3A00182044" target="_blank" >RIV/68407700:21230/11:00182044 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/s11263-010-0364-4" target="_blank" >http://dx.doi.org/10.1007/s11263-010-0364-4</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/s11263-010-0364-4" target="_blank" >10.1007/s11263-010-0364-4</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Linear Regression and Adaptive Appearance Models for Fast Simultaneous Modelling and Tracking

Popis výsledku v původním jazyce

We proposes an approach to tracking by regression that uses no hard-coded models and no offline learning stage. The Linear Predictor (LP) tracker has been shown to be highly computationally efficient, resulting in fast tracking. Regression tracking techniques tend to require offline learning to learn suitable regression functions. We removes offline learning and therefore increases the applicability of the technique. The online-LP tracker can simply be seeded with an initial target location, akin to theubiquitous Lucas-Kanade algorithm that tracks by registering an image template via minimisation. The issue is the representation of the target appearance and how this representation is able to adapt to changes in target appearance over time. We proposedtwo methods, LP-SMAT and LP-MED, demonstratthe ability to adapt to large appearance variations by incrementally building an appearance model.

Název v anglickém jazyce

Linear Regression and Adaptive Appearance Models for Fast Simultaneous Modelling and Tracking

Popis výsledku anglicky

We proposes an approach to tracking by regression that uses no hard-coded models and no offline learning stage. The Linear Predictor (LP) tracker has been shown to be highly computationally efficient, resulting in fast tracking. Regression tracking techniques tend to require offline learning to learn suitable regression functions. We removes offline learning and therefore increases the applicability of the technique. The online-LP tracker can simply be seeded with an initial target location, akin to theubiquitous Lucas-Kanade algorithm that tracks by registering an image template via minimisation. The issue is the representation of the target appearance and how this representation is able to adapt to changes in target appearance over time. We proposedtwo methods, LP-SMAT and LP-MED, demonstratthe ability to adapt to large appearance variations by incrementally building an appearance model.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/GA102%2F07%2F1317" target="_blank" >GA102/07/1317: Metody pro vizuální rozpoznávání velkých souborů elastických objektů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2011

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

International Journal of Computer Vision

ISSN

0920-5691

e-ISSN

—

Svazek periodika

95

Číslo periodika v rámci svazku

2

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

26

Strana od-do

154-179

Kód UT WoS článku

000294566000004

EID výsledku v databázi Scopus

—