(Luận văn) hệ thống điểm danh tự động học sinh trung học phổ thông qua camera trong lớp học

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM THÀNH PHỐ HỒ CHÍ MINH Nguyễn Thị Sen lu an n va p ie gh tn to HỆ THỐNG ĐIỂM DANH TỰ ĐỘNG HỌC SINH TRUNG HỌC PHỔ THÔNG QUA CAMERA TRONG LỚP HỌC d oa nl w nf va an lu z at nh oi lm ul LUẬN VĂN THẠC SĨ MÁY TÍNH z m co l gm @ an Lu Thành phố Hồ Chí Minh - 2018 n va ac th si BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM THÀNH PHỐ HỒ CHÍ MINH Nguyễn Thị Sen lu HỆ THỐNG ĐIỂM DANH TỰ ĐỘNG HỌC SINH TRUNG HỌC PHỔ THÔNG QUA CAMERA TRONG LỚP HỌC an n va p ie gh tn to d oa nl w Chuyên ngành : Khoa học máy tính Mã số : 8480101 nf va an lu LUẬN VĂN THẠC SĨ MÁY TÍNH z at nh oi lm ul z NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS PHẠM THẾ BẢO m co l gm @ an Lu Thành phố Hồ Chí Minh - 2018 n va ac th si LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu thân hướng dẫn khoa học PGS.TS Phạm Thế Bảo Các thông tin số liệu luận văn có nguồn gốc rõ ràng, cụ thể, trích dẫn theo quy định Kết nghiên cứu luận văn hoàn toàn trung thực, khách quan chưa sử dụng hay công bố cơng trình nghiên cứu khác Thành phố Hồ Chí Minh tháng năm 2018 lu Học viên an n va to p ie gh tn Nguyễn Thị Sen d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si LỜI CẢM ƠN Lời đầu tiên, tơi xin bày tỏ lịng biết ơn chân thành sâu sắc đến Thầy PGS.TS Phạm Thế Bảo - giảng viên hướng dẫn luận văn Trong trình tìm hiểu nghiên cứu đề tài, tơi gặp nhiều khó khăn nhờ Thầy ln động viên, hết lịng hướng dẫn giúp đỡ nên tơi hồn thành luận văn Tơi xin gửi lời cảm ơn chân thành đến quý Thầy/Cô – Trường Đại học Sư phạm Thành phố Hồ Chí Minh tận tâm dạy dỗ truyền đạt kiến thức quý báu trình học tập Đồng thời, xin cảm ơn lu an thầy/cô Khoa Cơng nghệ Thơng tin Phịng Sau Đại học hỗ trợ tạo điều n va kiện cho thời gian qua tn to Cuối cùng, xin bày tỏ lịng biết ơn đến gia đình, trường THPT Vũng gh Tàu – nơi công tác, động viên giúp đỡ suốt p ie trình học tập thực luận văn w Thành phố Hồ Chí Minh tháng năm 2018 oa nl Học viên thực d Nguyễn Thị Sen nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si MỤC LỤC Trang Trang phụ bìa Lời cam đoan Lời cảm ơn Mục lục Danh mục thuật ngữ viết tắt Danh mục bảng lu an Danh mục hình vẽ, biểu đồ GIỚI THIỆU n va Chương 1.2 Mục tiêu luận văn ie gh tn to 1.1 Đặt vấn đề p 1.3 Nội dung thực nl w 1.4 Những khó khăn thách thức d oa 1.5 Các hướng tiếp cận an lu 1.6 Hướng giải CƠ SỞ LÝ THUYẾT 10 lm ul Chương nf va 1.7 Bố cục luận văn z at nh oi 2.1 Mạng nơ-ron nhân tạo 10 2.1.1 Cấu trúc mạng nơ-ron 10 2.1.2 Một số dạng mạng nơ-ron 14 z gm @ 2.1.3 Quá trình học mạng nơ-ron 14 l 2.1.4 Mạng nơ-ron nhân tạo xử lí ảnh 14 co 2.2 Mạng nơ-ron tích chập 15 m 2.2.1 Tích chập 16 an Lu 2.2.2 Lớp hàm kích hoạt 17 n va ac th si 2.2.3 Lớp tổng hợp 18 2.2.4 Lớp kết nối đầy đủ 19 2.2.5 Nguyên lý hoạt động mạng nơ-ron tích chập 19 2.3 Mơ hình YOLO 20 2.3.1 Cấu trúc mạng YOLO 22 2.3.2 Nguyên tắc hoạt động YOLO 23 2.3.3 Quá trình huấn luyện YOLO 24 2.4 Lọc theo mức độ tương quan hàm nhân 27 2.4.1 Các vấn đề liên quan 29 lu an 2.4.2 Phương pháp theo dõi đối tượng lọc theo mức độ tương n va quan hàm nhân 31 XÂY DỰNG THUẬT TOÁN 40 3.1 Phát đối tượng đầu học sinh 41 ie gh tn to Chương p 3.2 Theo vết chuyển động đầu học sinh lớp học 44 nl w 3.3 Xác định vị trí đầu học sinh dựa trung bình 46 d oa 3.4 Điểm danh học sinh 47 KẾT QUẢ THỰC NGHIỆM VÀ HƯỚNG PHÁT an lu Chương nf va TRIỂN 49 lm ul 4.1 Môi trường thực nghiệm 49 z at nh oi 4.2 Xây dựng liệu 49 4.3 Kết 49 z 4.3.1 Thời gian thực 49 gm @ 4.3.2 Phát đối tượng đầu học sinh 50 l 4.3.3 Xác định vị trí đối tượng đầu học sinh 52 m co 4.4 Đánh giá 53 an Lu 4.4.1 Ưu điểm 53 4.4.2 Nhược điểm 54 n va ac th si 4.5 Hướng phát triển 59 TÀI LIỆU KHAM KHẢO 60 lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si DANH MỤC THUẬT NGỮ VÀ VIẾT TẮT an TP Thành Phố CNN Convolution Neural Network YOLO You Only Look Once YOLO v1 You Only Look Once version YOLO v2 You Only Look Once version YOLO v3 You Only Look Once version EFK Extended Kalman Filter UKF Unscented Kalman Filter DL Deep Learning ANN Artificial Neural Network DBN Deep Belief Network CNN Convolutional Neural Network n va Trung học phổ thông gh lu THPT tn to p ie Recurrent Neural Network nl Regions with Convolutional Neural Network d oa R-CNN w RNN Rectified Linear Unit IOU Intersection Over Union DCF Discriminatively Correlation Filters SRDCF Spatially Regularized Discriminatively Correlation Filters KCF Kernelized Correlation Filter TLD Tracking-Learning-Detection MOSSE Minimum Output Sum of Squared Error HOG Histogram of Oriented Gradients DFT Discrete Fourier Transform RGB Red, Green and Blue nf va an lu RELU z at nh oi lm ul z m co l gm @ an Lu n va ac th si DANH MỤC CÁC BẢNG Bảng 4.1 Thời gian trung bình frame 49 Bảng 4.2 Độ xác giai đoạn phát 50 Bảng 4.3 Độ xác giai đoạn theo vết đối tượng đầu học sinh 51 Bảng 4.4 Độ xác giai đoạn xác định vị trí 52 lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si DANH MỤC HÌNH VẼ, BIỂU ĐỒ Hình 2.1 Cấu trúc nơ ron 11 Hình 2.2 Cấu trúc nơ-ron đầy đủ tầng 11 Hình 2.3 Cấu trúc nơ-ron đầy đủ có nhiều tầng 12 Hình 2.4 Cấu trúc nơ-ron khơng có tầng ẩn 13 Hình 2.5 Mơ hình CNN 16 Hình 2.6 Phương pháp tích chập 17 Hình 2.7 Tính toán với phương pháp MaxPooling 19 lu an Hình 2.8 Nguyên lý hoạt động mạng nơ-ron tích chập 20 n va Hình 2.9 Hệ thống phát đối tượng dựa vào YOLO 21 tn to Hình 2.10 Mạng phát đối tượng có 24 lớp tích chập lớp kết gh nối đầy đủ 23 p ie Hình 2.11 Mơ hình phát đối tượng phương pháp hồi quy 25 kỳ mẫu sở đại diện cho nội dung hình oa nl w Hình 2.12 Các mẫu huấn luyện thu cách thay đổi theo chu d ảnh cách 29 lu nf va an Hình 2.13 Ma trận chuẩn hóa khơng gian 35 Hình 2.14 Sơ đồ thuật toán lọc theo mức độ tương quan 39 lm ul Hình 3.1 Mơ hình mơ tả hoạt động tốn 40 z at nh oi Hình 4.1 Phát nhiều bao biên đối tượng frame 54 Hình 4.2 Phát nhiều bao biên đối tượng frame sau so z với hình 4.1 55 gm @ Hình 4.3 Kết thuật tốn 55 l Hình 4.4 Khơng thể phát q thông tin 56 m co Hình 4.5 Có đối tượng bị vật thể che khuất 56 an Lu Hình 4.6 Các bao biên đối tượng bị sai 57 Hình 4.7 Frame video 57 n va ac th si 52 BIỂU ĐỒ TỈ LỆ THEO VẾT ĐỐI TƯỢNG 100 100 100 100 93.58 97.54 100 100 100 12A9 12A10 11A1 96.88 98.78 98.68 11A2 11A3 Trung bình Độ xác (%) 80 60 40 20 lu an va 12A3 12A4 12A5 12A7 12A8 n gh tn to Tên lớp Biểu đồ 4.2 Độ xác giai đoạn theo vết đối tượng đầu học sinh p ie tỉ lệ trung bình độ xác lớp kiểm tra Xác định vị trí đối tượng đầu học sinh nl w 4.3.3 d oa Bảng 4.4 Độ xác giai đoạn xác định vị trí * Tỉ lệ số học sinh thuật toán xác định so với sĩ số lớp Độ Tên lớp Tỉ lệ xác (%) nf va an lu 12A3 92.31 87.88 26/28 92.86 27/30 90 12A8 18/33 81.81 12A9 21/28 12A10 25/32 l 11A1 18/30 83.33 11A2 22/29 75.86 12A5 12A7 z 29/33 z at nh oi lm ul 12A4 24/26 gm @ 75 78.13 m co an Lu n va ac th si 53 11A3 19/31 83.87 … … … Trung bình 84.105 lu Độ xác (%) BIỂU ĐỒ TỈ LỆ XÁC ĐỊNH VỊ TRÍ HỌC SINH an va 100 90 80 70 60 50 40 30 20 10 92.31 n 12A3 92.86 87.88 90 81.81 12A4 12A5 12A7 12A8 75 78.13 12A9 12A10 83.33 11A1 to 83.87 84.1 11A3 Trung bình 75.86 11A2 ie gh tn Tên lớp p Biểu đồ 4.3 Độ xác giai đoạn sau sử dụng phép chiếu để Đánh giá d oa 4.4 nl w xác định vị trí phát đối tượng đầu học sinh Ưu điểm an lu 4.4.1 nf va Sử dụng mơ hình nơ-ron nhân tạo Yolo v2 vào toán phát giúp lm ul phát đối tượng chứa phần lớn màu đen (phần tóc), hướng tiếp kết đạt z at nh oi cận sử dụng YOLO v2 kết hợp với giải pháp làm tăng cường Xây dựng áp dụng thuật toán kết hợp bao biên đối tượng nhiều z gm @ khung hình để tăng độ xác cho bước phát Xây dựng áp dụng thuật tốn tìm kiếm thời điểm đối tượng tương m co l đối ổn định để bắt đầu phát an Lu n va ac th si 54 4.4.2 Nhược điểm Có vài lớp có vị trí bố trí sơ đồ chỗ ngồi khác với lớp khác làm ảnh hưởng đến xây dựng tập liệu chung số yếu tố khách quan khác làm giảm độ xác tốn, cụ thể theo phân tích giai đoạn phát đối tượng đầu học sinh, giai đoạn theo vết đối tượng đầu học sinh 4.4.2.1 Giai đoạn phát đối tượng đầu học sinh - Ở giai đoạn này, đối tượng di chuyển liên tục đối tượng tạo nhiều bao biên đối tượng đường đi, hình 4.1, hình 4.2, hình 4.3, lu an hình 4.4 cho thấy kết ta hai bao biên đối tượng đối tượng n va -Tuy tối ưu cho số lượng bao biên đối tượng phát tn to vị trí để loại bỏ đối tượng giáo viên chưa giải hoàn toàn p ie gh trường hợp d oa nl w nf va an lu z at nh oi lm ul z @ m co l gm Hình 4.1 Phát nhiều bao biên đối tượng frame an Lu n va ac th si 55 lu an va n Hình 4.2 Phát nhiều bao biên đối tượng frame sau so p ie gh tn to với hình 4.1 d oa nl w nf va an lu z at nh oi lm ul z Hình 4.3 Kết thuật tốn m co l gm @ an Lu n va ac th si 56 lu an Hình 4.4 Khơng thể phát q thơng tin va n Phát chưa xác đối tượng khơng thể rõ đặc trưng (mơ to tn hình học đối tượng có đủ hai phần thơng tin gồm màu đen tóc ie gh màu da người) Hình 4.4 cho ta thấy đối tượng hình chữ nhật màu trắng p có phần tóc màu đen, cịn bị chìm vào màu áo học sinh đằng trước Với d oa 4.5 nl w trường hợp đối tượng bị vật thể che khuất phát được, hình nf va an lu z at nh oi lm ul z m co l gm @ an Lu Hình 4.5 Có đối tượng bị vật thể che khuất n va ac th si 57 - Phát chưa xác mơ hình phát sai đối tượng, hình 4.6 lu an n va - Một trường hợp khác, video không thỏa điều kiện đầu vào thuật tốn gh tn to Hình 4.6 Các bao biên đối tượng bị sai p ie chọn sai thời điểm bắt đầu, dẫn đến tồn q trình thực sai w  Hình 4.7, frame video học sinh đứng dậy d oa nl  Hình 4.8, thuật tốn trả kết học sinh bắt đầu ngồi xuống nf va an lu z at nh oi lm ul z m co l gm @ an Lu Hình 4.7 Frame video n va ac th si 58 lu an n va to gh tn Hình 4.8 Frame bắt đầu phát p ie 4.4.2.2 Giai đoạn theo vết đối tượng đầu học sinh w - Sai theo vết chủ yếu bao biên đối tượng thay đối cấu trúc oa nl nhanh so với trạng thái trước d - Hình 4.9 với bao biên đối tượng đánh dấu, ta thấy đặc trưng rõ lu nf va an chai nước với đen, nên đối tượng di chuyển bao biên đối tượng khơng thay đổi z at nh oi lm ul z m co l gm @ an Lu n va ac th si 59 lu an Hình 4.9 Theo vết chưa xác n va - Mơ hình Yolo v2 giải ảnh có chiều dài chiều rộng phải tn to bội 32, ảnh đầu vào 1920 ×1080 nên phải thay gh đổi kích thước thành 1088 × 1088 dẫn đến việc phần thông tin đối p ie tượng w - Độ xác bước phát chưa hoàn toàn 100% nên chưa thể áp oa nl dụng vào thực tế mà cần cải tiến thêm d - Chưa đề xuất phương pháp giải hai toán phát theo lu 4.5 nf va an vết đối tượng hoàn tồn màu đen bị chìm vào đen Hướng phát triển lm ul - Xây dựng thuật toán bắt đầu phát giáo viên học sinh đứng z at nh oi yên - Thay đổi góc độ camera để lấy thơng tin nhiều z - Xây dựng mơ hình dựa ý tưởng Yolo v2 để xử lý ảnh có @ gm chiều dài chiều rộng có kích thước khác bội số m co l - Xây dựng thuật tốn xử lý đối tượng bị chìm vào an Lu n va ac th si 60 TÀI LIỆU KHAM KHẢO [1] Internet, "hệ thống camera giám sát giao thông" https://www.baomoi.com/trien-khai-du-an-he-thong-camera-giam-satan-ninh-giao-thong-trat-tu-uu-tien-tien-do-lap-dat-he-thong-cameraphuc-vu-tuan-le-cap-cao-apec-2017/c/23264994.epi, ngày truy cập 20/10/2017 [2] Internet, "Sử dụng camera giám sát phát hành vi đeo bám khách du lịch" http://www.catp.danang.gov.vn/-/se-trich-xuat-hinh-anh-tu- lu an camera-giam-sat-e-xu-phat-hanh-vi-eo-bam-cheo-keo-khach-du-lich, n va ngày truy cập 20/10/2017 http://voh.com.vn/chinh-tri-xa-hoi/tphcm-lap-2000-camera-tu-trich- ie gh tn to [3] Internet, "Camera giám sát phát vi phạm an tồn giao thơng" p xuat-hinh-anh-toi-pham-nguoi-vi-pham-giao-thong-232595.html, ngày nl w truy cập 20/10/2017 d oa [4] Internet, "Hệ thống điểm danh sinh viên thẻ từ vân tay" an lu http://vken.vn/he-thong-diem-danh-sinh-vien-bang-the-tu-hoac-van- nf va tay.html, ngày truy cập 04/07/2018 lm ul [5] Phạm Nguyên Khang, Trần Nguyễn Minh Thư, Đỗ Thanh Nghị, "Điểm z at nh oi danh mặt người với đặc trưng GIST máy học véc-tơ hỗ trợ," Khoa CNTT-TT, Trường Đại học Cần Thơ, Tháng 8/2017 [6] Bahlmann, C., Zhu, Y., Ramesh, V., Pellkofer, M., & Koehler, "A system z gm @ for traffic sign detection, tracking, and recognition using color, shape, and motion information," Proceedings IEEE, In Intelligent Vehicles m co l Symposium, 2005 an Lu n va ac th si 61 [7] Sobottka, K., & Pitas, "Face localization and facial feature extraction based on shape and color information," In ICIP (3) (pp 483-486), (1996, September) [8] Goshtasby, Ardeshir, "Template matching in rotated images," IEEE Transactions on Pattern Analysis and Machine Intelligence, (1985): 338344 [9] Comaniciu, D., & Meer, "Mean shift analysis and applications In Computer Vision," The Proceedings of the Seventh IEEE International Conference on (Vol 2, pp 1197-1203), 1999 lu an [10] C.K.Chui, G Chen, "Kalman filtering with real-time applications," pp.20 va n – 48, 1991 to gh tn [11] Gao, Long, Yunsong Li, and Jifeng Ning, "Improved kernelized p ie correlation filter tracking by using spatial regularization," Journal of w Visual Communication and Image Representation 50: 74-82, 2018 oa nl [12] Hepner, Georgef, et al, "Artificial neural network classification using a d minimal training set- Comparison to conventional supervised lu nf va 469-473, 1990 an classification," Photogrammetric Engineering and Remote Sensing 56.4: lm ul [13] S I Amari & A Cichocki, "Adaptive blind signal processing-neural 1998 z at nh oi network approaches," Proceedings of the IEEE, 86(10): 2026-2048, [14] A Karpathy, G Toderici, S Shetty, T Leung, R Sukthankar & L Fei- z @ Fei, "Large-scale video classification with convolutional neural gm m co and Pattern Recognition (pp 1725-1732), 2014 l networks," In Proceedings of the IEEE conference on Computer Vision an Lu n va ac th si 62 [15] K H R B G X Z a J S S Ren, "Object detection networks on convolutional feature maps," CoRR, abs/1504.06066, 2015 [16] S Ren, K He, R Girshick, and J Sun, "Faster r-cnn: Towards real-time object detection with region proposal networks," arXiv preprint arXiv:1506.01497, 2015 [17] C Szegedy, W Liu, Y Jia, P Sermanet, S Reed, D Anguelov, D Erhan, V Vanhoucke, and A Rabinovich, "Going deeper with convolutions," CoRR, abs/1409.4842,, 2014 lu [18] M Lin, Q Chen, and S Yan, "Network in network," CoRR, an abs/1312.4400, 2013 n va [19] O Russakovsky, J Deng, H Su, J Krause, S Satheesh, S Ma, Z Huang, gh tn to A Karpathy, A Khosla, M Bernstein, A C Berg, and L Fei-Fei, p ie "ImageNet Large Scale Visual Recognition Challenge," International w Journal of Computer Vision (IJCV), 2015 oa nl [20] S Ren, K He, R B Girshick, X Zhang, and J Sun, "Object detection d networks on convolutional feature maps," CoRR, abs/1504.06066, 2015 lu nf va an [21] A Krizhevsky, I Sutskever, and G E Hinton, "Imagenet classification with deep convolutional neural networks," In Advances in neural lm ul information processing systems, pages 1097–1105, 2012 detection with region arXiv:1506.01497, 2015 z at nh oi [22] K H R G a J S S Ren, "Faster r-cnn: Towards real-time object proposal networks," arXiv preprint z @ gm [23] D C R C S C A D M S A.W Smeulders, "Visual tracking: an m co 1441–1468 l experimental survey," IEEE Trans Pattern Anal Mach Intell, 36 (2013) an Lu n va ac th si 63 [24] A Yilmaz, O Javed, M Shah, "Object tracking: a survey, ACM Comput," Surv, 38 (2006) 81–93 [25] D.S Bolme, J.R Beveridge, B.A Draper, Y.M Lui, "Visual object tracking using adaptive correlation filters," IEEE Conference on Computer Vision and Pattern Recognition, 1113–1120 (2010) [26] M Danelljan, G Hager, F.S Khan, M Felsberg, "Learning spatially regularized correlation filters for visual tracking," IEEE International Conference on Computer Vision, 4310–4318 (2015) lu [27] J.F Henriques, R Caseiro, P Martins, J Batista, "High-speed tracking an with kernelized correlation filters," IEEE Trans Pattern Anal Mach va n Intell, 37 (2015) 583–596 to gh tn [28] Z Hong, Z Chen, C Wang, X Mei, D Prokhorov, D Tao, "Multi-Store p ie Tracker (MUSTer): a cognitive psychology inspired approach to object tracking," IEEE Conference on Computer Vision and Pattern oa nl w Recognition, 749–758 (2015) d [29] H Grabner, C Leistner, H Bischof, "Semi-supervised on-line boosting lu nf va 247 (2008) an for robust tracking," European Conference on Computer Vision, 234– lm ul [30] S Hare, A Saffari, P.H.S Torr, "Struck: structured output tracking with (2011) z at nh oi kernels," IEEE International Conference on Computer Vision, 263–270 [31] Z Kalal, K Mikolajczyk, J Matas, "Tracking-learning-detection," IEEE z @ Trans Pattern Anal Mach Intell., 34 (2012) 1409–1422 gm l [32] J Ning, J Yang, S Jiang, L Zhang, M.H Yang, "Object tracking via m co dual linear structured SVM and explicit feature map," IEEE Conference an Lu on Computer Vision and Pattern Recognition, 4266–4274 (2016) n va ac th si 64 [33] J.M Zhang, S.G Ma, S Sclaroff, "MEEM: Robust tracking via multiple experts using entropy minimization," European Conference on Computer Vision, 188–203 (2014) [34] S Avidan, "Support vector tracking," IEEE Trans Pattern Anal Mach Intell, 26 (2004) 1064–1072 [35] C.Q Hong, J Yu, J You, X.H Chen, D.P Tao, "Multi-view ensemble manifold regularization for 3D object recognition," Inf Sci, 320 (2015) 395–405 lu [36] H Grabner, C Leistner, H Bischof, "Semi-supervised on-line boosting an for robust tracking," European Conference on Computer Vision, 34–247 va n (2008) to gh tn [37] B Babenko, M.H Yang, S Belongie, "Robust object tracking with p ie online multiple instance learning," IEEE Trans Pattern Anal Mach w Intell, 33 (2011) 1619–1632 oa nl [38] H Song, Y Zheng, K Zhang, "Robust visual tracking via self-similarity d learning," Electron Lett, 53 (2017) 20–22 lu nf va an [39] C Ma, J.B Huang, X.K Yang, M.H Yang, "Hierarchical convolutional features for visual tracking," IEEE International Conference on lm ul Computer Vision, 3074–3082 (2015) z at nh oi [40] K Zhang, Q Liu, Y Wu, M.H Yang, "Robust visual tracking via convolutional networks without training," IEEE Trans Image Process, 25 (2016) 1779–1792 z @ gm [41] H Galoogahi, T Sim, S Lucey, "Muti-channel correlation filters," IEEE m co l International Conference on Computer Vision, 3072–3079 (2013) an Lu n va ac th si 65 [42] J.F Henriques, R Caseiro, P Martins, J Batista, "Exploiting the circulant structure of tracking-by-detection with kernels," European Conference on Computer Vision, 702–715 (2013) [43] Y Li, J Zhu, "A scale adaptive kernel correlation filter tracker with feature integration," European Conference on Computer Vision, 254– 265 (2014) [44] M Danelljan, G Hager, F.S Khan, M Felsberg, J Weijer, "Accurate scale estimation for robust visual tracking," British Machine Vision Conference, 2014 lu an [45] C.Q Hong, J.K Zhu, J Yu, J Chen, X.H Chen, "Realtime and robust va n object matching with a large number of templates," Multimedia Tools gh tn to Appl, 75 (2016) 1459–1480 p ie [46] W Chen, K Zhang, Q Liu, "Robust visual tracking via patch based kernel correlation filters with adaptive multiple feature ensemble," oa nl w Neurocomputing, 214 (2016) 607–617 d [47] B Zhang, Z Li, X Cao, Q Ye, C Chen, L Shen, A Perina, R Ji, lu an "Output constraint transfer for kernelized correlation filter in tracking," nf va IEEE Trans Syst Man Cybernet.: Syst, 47 (2017) 693–703 lm ul [48] Y Li, J Zhu, S.C.H Hoi, "Reliable Patch Trackers: Robust visual z at nh oi tracking by exploiting reliable patches," IEEE Conference on Computer Vision and Pattern Recognition, 353–361 (2015) [49] P.F Felzenszwalb, R.B Girshick, D McAllester, D Ramanan, "Object z @ detection with discriminatively trained part-based models," IEEE Trans gm m co l Pattern Anal Mach Intell, 32 (2010) 1627–1645 an Lu n va ac th si 66 [50] J.V.D Weijer, C Schmid, J Verbeek, D Larlus, "Learning color names for real-world applications," IEEE Trans Image Process, 18 (2009) 1512–1523 lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si