基于相關(guān)濾波的目標(biāo)跟蹤算法已經(jīng)取得了較好的性能并引起關(guān)注.在RGB圖像序列的跟蹤中,遮擋、背景與前景相似紋理的情況下會(huì)出現(xiàn)跟蹤失敗.本文提出了一種在判別相關(guān)濾波框架中融合深度信息的跟蹤算法.由深度圖分割獲得空間可靠性圖,根據(jù)可靠性圖計(jì)算約束濾波器,避免傳統(tǒng)判別相關(guān)濾波的邊界效應(yīng).在跟蹤階段,通過(guò)對(duì)通道響應(yīng)進(jìn)行可靠性加權(quán)求和獲得目標(biāo)位置.通過(guò)目標(biāo)的深度信息估計(jì)尺度,根據(jù)目標(biāo)區(qū)域的深度分布和相關(guān)濾波器的響應(yīng)來(lái)檢測(cè)遮擋.在遮擋期間不更新模型,減少漂移問(wèn)題.最后,在Princeton RGBD跟蹤數(shù)據(jù)集中進(jìn)行實(shí)驗(yàn),結(jié)果表明,加入深度圖分割與基準(zhǔn)算法相比效果有提升.文中方法在遮擋以及尺度變化情況下能夠有效地跟蹤目標(biāo). 

【文章來(lái)源】：小型微型計(jì)算機(jī)系統(tǒng). 2020,41(04)北大核心CSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

算法流程

第一階段用K均值聚類(lèi)方法在深度圖目標(biāo)圖像塊的一維深度直方圖上進(jìn)行處理．深度直方圖由圖像塊內(nèi)的深度分布計(jì)算．在目標(biāo)未被遮擋時(shí)，目標(biāo)是最近的對(duì)象，K均值聚類(lèi)算法收斂后，目標(biāo)區(qū)域?qū)?yīng)具有最小平均深度的簇，如圖2所示．第二階段是在相同的深度平面區(qū)分物體，去除對(duì)應(yīng)小區(qū)域的簇．目標(biāo)的空間分布由對(duì)應(yīng)目標(biāo)區(qū)域深度值的均值μobj和σobj標(biāo)準(zhǔn)差表征．一旦新的目標(biāo)位置被估計(jì)，用兩步深度分割算法重新估計(jì)目標(biāo)物體的深度，得到目標(biāo)的深度分布信息．選擇深度值在目標(biāo)區(qū)域范圍內(nèi)的所有點(diǎn)作為目標(biāo)二值掩膜的候選點(diǎn)，目標(biāo)和背景分別為1和0.

進(jìn)一步驗(yàn)證算法的有效性，將提出的方法與其他算法CSR-DCF,KCF[11],CN[15],SAMF[16]進(jìn)行對(duì)比．表3是不同跟蹤算法在普林斯頓數(shù)據(jù)集中的結(jié)果．CSR-DCF算法使用Hog[17]和ColorNames[18]特征．SAMF算法(Scale Adaptive Kernel Correlation Filter Tracker)，特征采用矢量相加的原始像素、Hog和ColorNames，尺度池方法進(jìn)行尺度估計(jì)．本文算法使用的特征與CSR-DCF特征相同，在精度方面，AUC和P20均高于其他算法．速度方面，利用深度信息計(jì)算尺度與基準(zhǔn)算法相比，計(jì)算量更小，能基本達(dá)到實(shí)時(shí)處理．圖3表示了成功率圖和精度圖，從成功率圖和精度圖可以看到本文方法高于其他算法．圖4 定性評(píng)估

【參考文獻(xiàn)】：
期刊論文
[1]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)別與人工智能. 2018(01)
[2]在線單目標(biāo)視頻跟蹤算法綜述[J]. 管皓,薛向陽(yáng),安志勇.  小型微型計(jì)算機(jī)系統(tǒng). 2017(01)



本文編號(hào)：3592661