為提升核相關(guān)濾波跟蹤算法（KCF）在目標(biāo)出現(xiàn)遮擋時(shí)的魯棒性,提出一種結(jié)合不變矩特征的核相關(guān)濾波跟蹤算法。以不變矩特征描述目標(biāo),通過初始模型與待測目標(biāo)之間的相似度變化情況,設(shè)定遮擋判斷機(jī)制;利用相似度的大小將模型更新機(jī)制中的學(xué)習(xí)率分段,實(shí)現(xiàn)目標(biāo)模型的自適應(yīng)更新。為測試算法的有效性,采用OTB-2013評估數(shù)據(jù)集,實(shí)驗(yàn)結(jié)果表明,與KCF算法相比,該算法在跟蹤精度上提升了7.4%,在成功率上提升了10.8%。 

【文章來源】：計(jì)算機(jī)工程與設(shè)計(jì). 2020,41(08)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

不同場景中OPE的成功率和精度

由于不變矩的特征值具有旋轉(zhuǎn)、平移、尺度變換的不變性，所以本文采用式（18）建立遮擋判斷機(jī)制，通過對比目標(biāo)在未遮擋和遮擋時(shí)，T值的變化情況來判斷目標(biāo)是否被遮擋。實(shí)驗(yàn)截取了測試視頻中的第1幀，第2幀和第250幀～第253幀的檢測區(qū)域圖像，如圖1所示。并分別計(jì)算第1幀與其它幀之間的T值，見表1。從表1中數(shù)據(jù)可以看出，當(dāng)物體發(fā)生遮擋時(shí)，由于檢測區(qū)域中出現(xiàn)大面積的遮擋物，導(dǎo)致不變矩特征值發(fā)生較大的變化，第252幀處的值可以視為異常值。所以，本文通過T值的變化情況，利用剔除異常值的方法建立遮擋判斷機(jī)制。

實(shí)驗(yàn)結(jié)果展示

【參考文獻(xiàn)】：
期刊論文
[1]基于Hu不變矩特征的鐵路軌道識別檢測算法[J]. 董昱,郭碧.  鐵道學(xué)報(bào). 2018(10)
[2]尺度自適應(yīng)的HLBP紋理特征目標(biāo)跟蹤算法[J]. 杜靜雯,黃山.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(07)
[3]基于相關(guān)濾波器的視覺目標(biāo)跟蹤方法[J]. 張雷,王延杰,劉艷瀅,孫宏海,何舒文.  光電子·激光. 2015(07)
[4]基于不變矩特征匹配的快速目標(biāo)檢測算法[J]. 嚴(yán)柏軍,鄭鏈,王克勇.  紅外技術(shù). 2001(06)



本文編號：3283044