Tuesday, May 28, 2013

object tracking - kernel density estimation

Apa itu KDE? KDE –
is a non-parametric way to estimate the probability density function of a random variable. Kernel density estimation is a fundamental data smoothing problem where inferences about the population are made, based on a finite data sample
Perhatikan histogram dari sebuah citra dengan kedalaman warna 8 bit (range 0 sampai 255) sebagai sumbu X dan Y adalah jumlah masing – masing bit



Penulis menggunakan Kernel Density Estimation (Gaussian distribution) untuk melakukan pendekatan grafik histogram dengan w = 50 dan variasi nilai h yaitu 0.1 dan 0.01

Kemudian menggunakan h = 0.001
  

Terlihat bahwa besaran nilai h (bandwidth)mempengaruhi tingkat smooth. Kegunaan KDE selain untuk melakukan smooth terhadap histogram juga untuk meng efisienkan nilai yang digunakan, dibandingkan karena cukup menyajikan data dari range 0 – 255 menjadi 0 – 50 sehingga data yang disimpan pun menjadi kecil sehingga waktu komputasi nya menjadi sedikit. Berikut adalah salah satu aplikasi untuk memanfaatkan KDE sebagai template matching untuk object tracking

 


 
Tentu jika menggunakan teknik block overlapping waktu komputasi menjadi sangat lama harus ada teknik lainnya untuk mempercepat waktu komputasi yaitu menggunakan tracking mean distribution menggunakan meanshift object tracking

object tracking - kernel density estimation - template matching - realtime object tracking

No comments:

Post a Comment