Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Pandora: A Cyber Range Environment for the Safe Testing and Deployment of Autonomous Cyber Attack Tools Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Performance Study of Multi-target Tracking Using Kalman Filter and Hungarian Algorithm

verfasst von : N. P. Arun Kumar, Renganathan Laxmanan, S. Ram Kumar, Vobbilisetty Srinidh, R. Ramanathan

Erschienen in: Security in Computing and Communications

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We present the method for multi-target tracking using the combination of Kalman filter and Hungarian algorithm and test the efficiency of this method with two different data sets. In Data set – I, no target leave or enter the frame and in Data set – II, targets leave and enter the frame at regular intervals. This tracking method deals with the data association problem that arises with multiple targets in a single frame and also the dimensionality problem that arises due to repeated changes in the size of state-space associated with multiple targets. We use 2 important methods to achieve this. The first is the Kalman filter which is an extension of Bayesian filter. It uses a probabilistic approach to deal with the estimation of data. The second one is the Hungarian algorithm, used to overcome the data association problem and data association comes into the picture only when there are multiple targets.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Conjunctive Keyword Forward Secure Ranked Dynamic Searchable Encryption Over Outsourced Encrypted Data
Nächstes Kapitel SaaS - Microservices-Based Scalable Smart Contract Architecture
Literatur
1.
Loncaric, S.: A survey of shape analysis techniques. Pattern Recogn. 31(8), 983–1001 (1998)CrossRef
2.
Magee, D.R.: Tracking multiple vehicles using foreground, background and motion models. In: Proceedings of Statistical Methods in Video Processing Workshop, pp. 7–12, June 2002
3.
Lipton, J., Fujiyoshi, H., Patil, R.S.: Moving target classification and tracking from real-time video. In: Proceedings of Workshop Applications of Computer Vision, pp. 129–136 (1998)
4.
Ramanathan, R., Nair, A.S., Thaneshwaran, L., Ponmathavan, S., Valliappan, N., Soman, K.P.: Robust feature extraction technique for optical character recognition. In: ACT 2009 - International Conference on Advances in Computing, Control and Telecommunication Technologies, Trivandrum, Kerala (2009)
5.
Anuj, L., Krishna, M.T.G.: Multiple camera based multiple object tracking under occlusion: a survey. In: 2017 International Conference on Innovative Mechanisms for Industry Applications (ICIMIA), Bangalore, pp. 432–437 (2017)
6.
Henschel, R., Leal-Taixé, L., Cremers, D., Rosenhahn, B.: Fusion of head and full-body detectors for multi-object tracking. In: 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Salt Lake City, UT, p. 150909 (2018)
7.
Nandashri, D., Smitha, P.: An efficient tracking of multi object visual motion using Hungarian method. Int. J. Eng. Res. Technol. (IJERT) 04(04) (2015)
8.
Anand, R., Veni, S., Aravinth, J.: An application of image processing techniques for detection of diseases on brinjal leaves using K-means clustering method (2016). In: Fifth International Conference on Recent Trends in Information Technology 2016 (ICRTIT 2016). Anna University, Chennai campus (2016)
9.
Kim, I., Awan, T.W., Soh, Y.: Background subtraction-based multiple object tracking using particle filter. In: IWSSIP Proceedings, Dubrovnik, pp. 71–74 (2014)
10.
Jaward, M., Mihaylova, L., Canagarajah, N., Bull, D.: Multiple object tracking using particle filters. In: IEEE Aerospace Conference, Big Sky, MT, p. 8 (2006)
11.
Vermaak, J., Godsill, S.J., Perez, P.: Monte Carlo filtering for multi target tracking and data association. IEEE Trans. Aerosp. Electron. Syst. 41, 309–332 (2005)CrossRef
12.
Seth, R., Kumar Swain, M.S., Kumar Mishra, D.S.: Single object tracking using estimation algorithms. In: 2nd International Conference on Power, Energy and Environment: Towards Smart Technology (ICEPE), Shillong, India, pp. 1–6 (2018)
13.
Yu, Y.: Distributed target tracking in wireless sensor networks with data association uncertainty. IEEE Commun. Lett. 21(6), 1281–1284 (2017)CrossRef
14.
Bar-Shalom, Y., Daum, F., Huang, J.: The probabilistic data association filter. IEEE Control Syst. Mag. 29(6), 82–100 (2009)MathSciNetCrossRef
15.
Attari, M., Habibi, S., Gadsden, S.A.: Target tracking formulation of the SVSF with data association techniques. IEEE Trans. Aerosp. Electron. Syst. 53(1), 12–25 (2017)CrossRef
16.
Karunasekera, H., Wang, H., Zhang, H.: Multiple object tracking with attention to appearance, structure, motion and size. IEEE Access 7, 104423–104434 (2019)CrossRef
Metadaten
Titel
Performance Study of Multi-target Tracking Using Kalman Filter and Hungarian Algorithm
verfasst von
N. P. Arun Kumar
Renganathan Laxmanan
S. Ram Kumar
Vobbilisetty Srinidh
R. Ramanathan
Copyright-Jahr
2021
Verlag
Springer Singapore
Buch
Security in Computing and Communications

Print ISBN: 978-981-16-0421-8

Electronic ISBN: 978-981-16-0422-5

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-981-16-0422-5_15