針對在目標(biāo)跟蹤過程中由于紅外目標(biāo)遮擋、快速運(yùn)動(dòng)而導(dǎo)致的跟蹤失敗問題,提出了一種基于上下文感知的相關(guān)濾波跟蹤算法,在引入目標(biāo)背景信息的同時(shí)改進(jìn)其算法的更新策略。在訓(xùn)練階段引入上下文信息,使得相關(guān)濾波器具有更好的鑒別性,以應(yīng)對跟蹤過程中出現(xiàn)的快速運(yùn)動(dòng)、運(yùn)動(dòng)模糊以及遮擋等情況。在模型更新階段引入一種高置信度模型更新策略,解決了在模型更新過程中由于目標(biāo)嚴(yán)重遮擋造成的目標(biāo)丟失或模型污染問題,提升了算法的性能。實(shí)驗(yàn)結(jié)果表明,與其他相關(guān)濾波類算法相比,所提出的算法在精確度和成功率方面分別提升了6.4%和5.1%,同時(shí)能以較快的速度運(yùn)行,滿足實(shí)時(shí)性的要求。 

【文章來源】：激光與紅外. 2020,50(07)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

OCS-LBP特征計(jì)算原理示意圖

目前大多數(shù)紅外跟蹤算法的研究方向主要集中于合并更強(qiáng)的目標(biāo)特征以豐富對于跟蹤目標(biāo)的表達(dá)。然而,這種方法使得目標(biāo)和背景的區(qū)分只能局限于一個(gè)小的區(qū)域內(nèi),忽視了在跟蹤過程中背景信息的重要性。為了解決上述在目標(biāo)跟蹤過程中出現(xiàn)的問題,本文提出了一種基于上下文感知的相關(guān)濾波跟蹤算法[7],在引入目標(biāo)背景信息的同時(shí)改進(jìn)其算法的更新策略,提升跟蹤算法的整體性能。本文算法流程圖如圖1所示[8]。3.1 上下文模型建立

上下文信息即背景區(qū)域的選擇對于跟蹤的性能至關(guān)重要。本文選擇在目標(biāo)區(qū)域周圍的上下左右方位采樣背景信息,這將使得濾波器可以在下一幀中更好地區(qū)分背景信息或是遮擋物的信息。算法的采樣方式如圖3所示,圖3(a)采用原始算法的采樣方式,圖3(b)采用上下文感知算法的采樣方式。這些背景圖像塊可以看作是相對于目標(biāo)圖像的負(fù)樣本,它們以各種干擾或是不同背景的形式組成了目標(biāo)圖像周圍的上下文信息。因此,算法可以通過訓(xùn)練一個(gè)濾波器w∈Rn,使得它在目標(biāo)圖像區(qū)域具有較高的響應(yīng)值,而在上下文采樣區(qū)域的響應(yīng)接近于零。為了防止過擬合現(xiàn)象的發(fā)生,引入?yún)?shù)λ2對上下文采樣區(qū)域加以限制,由此可以得到相關(guān)濾波算法的新目標(biāo)函數(shù)為:

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的核相關(guān)濾波目標(biāo)跟蹤方法研究[J]. 朱偉杰,唐晶磊,王棟,冀馬超.  激光與紅外. 2018(11)
[2]融合灰度與顯著性特征的空中紅外目標(biāo)跟蹤[J]. 鄭武興,王春平,付強(qiáng),徐艷.  激光與紅外. 2018(03)



本文編號：3460631