|
|
|
|
| LEADER |
03223na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2017 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid4943
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Bićanić, Borna
|
| 245 |
1 |
0 |
|a Praćenje više gibajućih objekata filtrom gustoće vjerojatnosti hipoteza :
|b diplomski rad /
|c Borna Bićanić ; [mentor Ivan Petrović].
|
| 246 |
1 |
|
|a Multiple Moving Object Tracking Using the Probability Hypothesis Density Filter
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b B. Bićanić,
|c 2017.
|
| 300 |
|
|
|a 52 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Automatika, šifra smjera: 46, datum predaje: 2017-06-29, datum završetka: 2017-07-17
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: sažetakPraćenje više gibajućih objekata kompleksan je problem gdje se osim izazova praćenja pojedinačnoga objekta javljaju i problemi poput nastajanja i nestajanja objekata te nesi-gurnosti pridjeljivanja mjerenja objektima. Rješavanjem toga problema pomoću teorije slučajnih konačnih skupova izbjegava se eksplicitno pridjeljivanje mjerenja objektima tre-tirajući ih kao slučajne skupove gdje su stanja i kardinalitet slučajne varijable. Ovaj pris-tup daje osnovu za primjenu optimalnog Bayesovog filtra za praćenje više gibajućih ob-jekata koji je, međutim, računski vrlo složen te mu se često pristupa aproksimacijama poput filtra gustoće vjerojatnosti hipoteza. U ovom radu implementiran je filter gustoće vjerojatnosti hipoteza (PHD), kao i kardinalizirani filter gustoće vjerojatnosti hipoteza (CPHD). Algoritmi su implementirani u programskom sustavu Matlab, unutar kojega su i testirani te uspoređeni na temelju metrike optimalnog pridruživanja uzoraka (OSPA).
|
| 520 |
3 |
|
|a Sažetak na engleskom: Tracking of a multiple moving objects is a very complex problem, where besides the chal-lenges of tracking single object, problems arise from appearance and disappearance of objects and uncertainty of association between measurements and objects. By solving this problem via random finite sets theory, explicit assignment of measurements to objects is avoided treating them as random sets where both states and cardinality is random varia-ble. This approach provides the basis for the application of optimal Bayes filter to the problem of tracking multiple moving objects, which is, however, computationally very complex and, often, approximations like probability hypothesis density filter are made. In this master’s thesis, the probability hypothesis density filter for tracking multiple objects is implemented. The algorithm is realized using Gaussian distribution mixtures and tested in simulations within Matlab programming system.
|
| 653 |
|
1 |
|a praćenje više gibajućih objekata, filter gustoće vjerojatnosti hipoteza, kardinalizirani filter gustoće vjerojatnosti hipoteza, metrika optimalnog pridruživanja uzoraka
|
| 653 |
|
1 |
|a multiple moving object tracking, probability hypothesis density filter, cardinalized probabil-ity hypothesis density filter, optimal subpattern assignment metrics
|
| 700 |
1 |
|
|a Petrović, Ivan
|4 ths
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 48185
|d 48185
|