為了解決復(fù)雜場景下,基于整體表觀模型的目標(biāo)跟蹤算法容易丟失目標(biāo)的問題,提出了一種多模型協(xié)作的分塊目標(biāo)跟蹤算法.融合基于局部敏感直方圖的產(chǎn)生式模型和基于超像素分割的判別式模型構(gòu)建目標(biāo)表觀模型,提取局部敏感直方圖的亮度不變特征來抵制光照變化的影響;引入目標(biāo)模型的自適應(yīng)分塊劃分策略以解決局部敏感直方圖算法缺少有效遮擋處理機(jī)制的問題,提高目標(biāo)的抗遮擋性;通過相對熵和均值聚類度量子塊的局部差異置信度和目標(biāo)背景置信度,建立雙權(quán)值約束機(jī)制和子塊異步更新策略,在粒子濾波框架下,選擇置信度高的子塊定位目標(biāo).實(shí)驗(yàn)結(jié)果表明,該方法在復(fù)雜場景下具有良好的跟蹤精度和穩(wěn)定性. 

【文章來源】：軟件學(xué)報(bào). 2020,31(02)北大核心EICSCD

【文章頁數(shù)】：20 頁

【部分圖文】：

不同光照條件下的亮度不變特征圖像

固定大小和數(shù)量的目標(biāo)分塊雖然簡單,卻容易破壞目標(biāo)區(qū)域內(nèi)部結(jié)構(gòu)及目標(biāo)與背景的邊界,無法適應(yīng)目標(biāo)表觀的多變性,給后續(xù)跟蹤帶來困難.超像素能夠?qū)㈩伾⒘炼�、紋理等一些特征屬性相似的像素點(diǎn)聚合在一起,作為一個區(qū)域整體進(jìn)行處理,同一超像素內(nèi)的特征信息比較統(tǒng)一,利用超像素模型能夠得到自適應(yīng)的目標(biāo)子塊,并且得到的目標(biāo)子塊能夠很好地保持目標(biāo)邊界和空間結(jié)構(gòu)特征,保證得到的目標(biāo)子塊是具有一定語義的獨(dú)立分塊.相對于固定數(shù)量和形狀的分塊,超像素分塊的模式不變性更好,更適合于目標(biāo)跟蹤.鑒于此,本文算法首先利用超像素模型將目標(biāo)區(qū)域自適應(yīng)劃分為大小不同的若干目標(biāo)子塊,然后在特征空間中度量每個目標(biāo)子塊的權(quán)重,根據(jù)權(quán)值的大小,自適應(yīng)選擇適當(dāng)?shù)哪繕?biāo)分塊進(jìn)行跟蹤.基于超像素分割產(chǎn)生目標(biāo)分塊的過程如圖2所示.圖2(a)中紅色框?yàn)檫x定目標(biāo)邊界框,圖2(b)為超像素分割的結(jié)果,圖2(c)為目標(biāo)區(qū)域?qū)?yīng)的超像素分割結(jié)果,圖2(d)為通過超像素分割獲取的目標(biāo)分塊.由于超像素分割不會破壞圖像的邊界信息,而目標(biāo)框并非圖像的自然邊界,為消除基于超像素分割的目標(biāo)分塊不確定性,本文將與目標(biāo)框交叉的超像素均判定為背景,此劃分策略能夠剔除目標(biāo)框內(nèi)的所有背景像素,保證學(xué)習(xí)到的目標(biāo)表觀模型具有很強(qiáng)的判別力.實(shí)驗(yàn)結(jié)果表明,上述目標(biāo)分塊劃分策略在抗遮擋能力和跟蹤效率方面都有較好的效果.2.2 基于分塊的目標(biāo)跟蹤

不同子塊的局部差異置信度變化曲線

【參考文獻(xiàn)】：
期刊論文
[1]基于感知深度神經(jīng)網(wǎng)絡(luò)的視覺跟蹤[J]. 侯志強(qiáng),戴鉑,胡丹,余旺盛,陳晨,范舜奕.  電子與信息學(xué)報(bào). 2016(07)
[2]在線魯棒判別式字典學(xué)習(xí)視覺跟蹤[J]. 薛模根,朱虹,袁廣林.  電子學(xué)報(bào). 2016(04)
[3]部件級表觀模型的目標(biāo)跟蹤方法[J]. 王美華,梁云,劉福明,羅笑南.  軟件學(xué)報(bào). 2015(10)
[4]基于目標(biāo)分塊多特征核稀疏表示的視覺跟蹤[J]. 胡昭華,袁曉彤,李俊,何軍.  計(jì)算機(jī)研究與發(fā)展. 2015(07)



本文編號：3311514