MHT-X: Netiešsaistes Vairāku Hipotēžu Izsekošana, optimizēta ar Algoritmu X
Author
Zvejnieks, Pēteris
Co-author
Latvijas Universitāte. Fizikas, matemātikas un optometrijas fakultāte
Advisor
Birjukovs, Mihails
Date
2021Metadata
Show full item recordAbstract
Ātrdarbīga un plaši pielietojama netiešsaistes vairāku hipotēžu izsekošanas imple- mentācija optimizēta ar Algoritmu X ir izveidota izmantojot Python. Programma- tūra ir paredzēta zinātniskiem nolūkiem, kam nav nepieciešama tiešsaistes apstrāde. Tiek izmantota orientēta grafa arhitektūra un ar vairākiem piegājieniem ar progre- sīvi lielāku laika logu tiek veikta šķautņu veidošana maksimizējot trajektoriju var- būtību. Esošajā stadijā implementācija tika veidota, lai tiktu pielietota daudzfāzu hidrodinamisko plūsmu analīzei, tā ir spējīga rekonstruēt objektu kustību, šķelša- nos un saplūšanu. Iespējamās objektu asociācijas un trajektoriju grafa šķautņu varbūtības tiek noteiktas izmantoju vājus masas un impulsa saglabāšanās likumus izteiktus statistisku funkciju veidā. Kods ir saderīgs ar n-dimensionālu kustību ar neierobežotu īpašību skaitu. Veidotais algoritms ir elementāri papildināms priekš citām vajadzībām kā tikai šobrīd esošajām, aizvietojot esošās heiristikas ar situācijai atbilstošām. Kods ir atvērtā tipa un tiek atjaunots. An efficient and versatile implementation of offline multiple hypothesis tracking with Algorithm X for optimal association search was developed using Python. The code is intended for scientific applications that do not require online processing. Directed graph framework is used and multiple scans with progressively increasing time window width are used for edge construction for maximum likelihood trajecto- ries. The current version of the code was developed for applications in multi-phase hydrodynamics, e.g.bubble and particle tracking, and is capable of resolving ob- ject motion, merges and splits. Feasible object associations and trajectory graph edge likelihoods are determined using weak mass and momentum conservation laws translated to statistical functions for object properties. The code is compatible with n-dimensional motion with arbitrarily many tracked object properties. This frame- work is easily extendable beyond the present application by replacing the currently used heuristics with ones more appropriate for the problem at hand. The code is open-source and will be continuously developed further.