針對視頻目標(biāo)跟蹤中因目標(biāo)尺度變化而導(dǎo)致跟蹤失敗的問題,采用粒子濾波對目標(biāo)尺度進(jìn)行估計(jì),提出一種基于粒子濾波的快速自適應(yīng)平滑尺度跟蹤算法.首先,為增強(qiáng)不同候選尺度下同一目標(biāo)的區(qū)分性,構(gòu)造了一種基于方向梯度特征的概率分布特征;其次,利用先驗(yàn)知識來優(yōu)化粒子濾波算法中建議密度分布函數(shù),提高算法對尺度估計(jì)的準(zhǔn)確度;最后,運(yùn)用合理的尺度約束函數(shù)對所估計(jì)的目標(biāo)尺度進(jìn)行二次優(yōu)化.另外,運(yùn)用核相關(guān)濾波器對位置預(yù)測時,為減少因大幅尺度縮放所帶來的干擾問題,通過設(shè)置合適的閾值,實(shí)現(xiàn)核相關(guān)濾波器尺度的自適應(yīng)更新,有效提高了位置預(yù)測的準(zhǔn)確度.實(shí)驗(yàn)結(jié)果表明,在尺度估計(jì)方面,所提算法比幾種典型的尺度估計(jì)算法有所提高且實(shí)時性較好. 

【文章來源】：信息與控制. 2020,49(05)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

面向目標(biāo)尺度估計(jì)的HOG特征

w(x 1:t i )=w(x 1:t-1 i ) p(z t i |x t i )p(x t i |x t-1 i ) q(x t i |x t-1 i ) (5)為了提高對E(f(x))估計(jì)的準(zhǔn)確性, 所引入的參考分布q(xi1:t)應(yīng)盡可能的接近p(x 1:t i , z 1:t i ). 因此, 對于圖2中的動態(tài)模型, 當(dāng)對p(x 1:t i , z 1:t i )進(jìn)行最優(yōu)估計(jì)時, 令q(x t 1 |x t-1 i )=p(x t i |x t-1 i , z t i ), 對式(5)中的權(quán)重值進(jìn)行化簡, 會出現(xiàn)難以積分的情況; 為此, 常采用次優(yōu)估計(jì), 令q(x t i |x t-1 i )=p(xit|xit-1), 對式(5)中權(quán)重值進(jìn)行化簡得:

在視頻序列中, 當(dāng)已知目標(biāo)當(dāng)前尺度、 尺度變化的速度和加速度等狀態(tài)變量時, 目標(biāo)的下一個狀態(tài)只依賴于當(dāng)前狀態(tài). 因此視頻序列中目標(biāo)尺度的動態(tài)變化過程符合馬爾可夫特性, 上述結(jié)論完全適用于目標(biāo)尺度估計(jì). 據(jù)此, 在粒子濾波的基礎(chǔ)上, 本文設(shè)計(jì)了自適應(yīng)平滑尺度濾波器, 如圖3所示, 實(shí)現(xiàn)了對目標(biāo)尺度的準(zhǔn)確估計(jì).首先, 獲得N個初始粒子點(diǎn){s 1 i }i=1∶N, 如圖3(a)所示; 其次, 獲得N個不同尺度下的圖像, 如圖3(b)所示, 并將這N個圖像縮放到同一模板尺度下, 如圖3(c)所示; 然后, 分別提取圖3(d)和圖3(e)中的不同尺度下候選目標(biāo)的概率分布特征qi(i=1∶N)和真實(shí)目標(biāo)的概率分布特征p, 具體方法如圖1所示; 最后, 求取p和qi的Bhattacharyya距離作為相似性度量:

【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)尺度的快速相關(guān)濾波跟蹤算法[J]. 馬曉楠,劉曉利,李銀伢.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報. 2017(03)
[2]基于多特征融合的粒子濾波目標(biāo)跟蹤算法[J]. 劉士榮,朱偉濤,楊帆,仲朝亮.  信息與控制. 2012(06)
[3]基于GRNN的擬蒙特卡洛粒子濾波目標(biāo)跟蹤算法[J]. 陳志敏,薄煜明,吳盤龍,徐文康,劉正凡.  信息與控制. 2012(06)



本文編號：2997541