Kernel Density Estimation – Template Matching – ObjectTrackingoleh: mulkan.ms@gmail.comhttp://softscients.blogspot.comApa ...
0 5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5 5 000 .20 .40 .60 .811 .21 .4h 0 .10 5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5 5 000 .20 .40 ....
ta rg e t
halaman ini sengaja dikosongkan
Tentu jika menggunakan teknik block overlapping waktu komputasi menjadi sangatlama harus ada teknik lainnya untuk memperce...
Upcoming SlideShare
Loading in …5
×

object tracking - Kernel Density Estimation

248 views

Published on

object tracking with kernel density estimation

Published in: Education, Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
248
On SlideShare
0
From Embeds
0
Number of Embeds
5
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

object tracking - Kernel Density Estimation

  1. 1. Kernel Density Estimation – Template Matching – ObjectTrackingoleh: mulkan.ms@gmail.comhttp://softscients.blogspot.comApa itu KDE? KDE –is a non-parametric way to estimate the probability density function of a random variable. Kerneldensity estimation is a fundamental data smoothing problem where inferences about the population aremade, based on a finite data samplePerhatikan histogram dari sebuah citra dengan kedalaman warna 8 bit (range 0sampai 255) sebagai sumbu X dan Y adalah jumlah masing – masing bitPenulis menggunakan Kernel Density Estimation (Gaussian distribution) untukmelakukan pendekatan grafik histogram dengan w = 50 dan variasi nilai h yaitu 0.1dan 0.0105 01 0 01 5 02 0 02 5 03 0 03 5 04 0 00 5 0 1 0 0 1 5 0 2 0 0 2 5 0
  2. 2. 0 5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5 5 000 .20 .40 .60 .811 .21 .4h 0 .10 5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5 5 000 .20 .40 .60 .811 .21 .4h 0 .0 1Kemudian menggunakan h = 0.001Terlihat bahwa besaran nilai h (bandwidth)mempengaruhi tingkat smooth.Kegunaan KDE selain untuk melakukan smooth terhadap histogram juga untukmeng efisienkan nilai yang digunakan, dibandingkan karena cukup menyajikandata dari range 0 – 255 menjadi 0 – 50 sehingga data yang disimpan pun menjadikecil sehingga waktu komputasi nya menjadi sedikit. Berikut adalah salah satuaplikasi untuk memanfaatkan KDE sebagai template matching untuk objecttracking0 5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5 5 000 .511 .522 .533 .54h 0 .0 0 1
  3. 3. ta rg e t
  4. 4. halaman ini sengaja dikosongkan
  5. 5. Tentu jika menggunakan teknik block overlapping waktu komputasi menjadi sangatlama harus ada teknik lainnya untuk mempercepat waktu komputasi yaitumenggunakan tracking mean distribution menggunakan meanshift object tracking

×