在面對光照變化、部分遮擋、背景雜亂和平面內(nèi)外旋轉(zhuǎn)等跟蹤難點時,跟蹤學習檢測算法（Tracking-Learning-Detection,TLD）容易產(chǎn)生漂移導致跟蹤失敗,其跟蹤性能還有待提高。在傳統(tǒng)TLD算法的基礎(chǔ)上,提出一種基于人工魚群粒子濾波的TLD改進算法。首先使用人工魚群粒子濾波跟蹤器代替金字塔光流跟蹤器,將顏色直方圖特征和方向梯度直方圖特征進行融合,建立目標表觀模型,引入圖像金字塔多尺度思想進行尺度匹配,提高目標跟蹤的穩(wěn)健性。然后通過粒子濾波過程預測目標區(qū)域,將TLD算法檢測模塊的全局掃描改進為局部掃描,剔除大量非目標區(qū)域,提高檢測模塊的檢測效率。實驗結(jié)果表明:基于人工魚群粒子濾波的TLD改進算法具有良好的跟蹤性能,與傳統(tǒng)TLD算法相比,其平均成功率和精準度分別提高了19.04%和28.00%,平均跟蹤速度可達33.87FPS,提高了38.78%。 

【文章來源】：液晶與顯示. 2020,35(09)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

AFP-TLD算法流程圖

圖3為10組視頻序列的總體跟蹤性能，其中紅色實線表示AFPF-TLD算法，綠色雙點劃線表示KCF算法，黑色虛線表示傳統(tǒng)TLD算法，藍色點劃線表示CSRT算法，深黃色短劃線表示MIL算法。從圖3中可以明顯看出：相比于傳統(tǒng)TLD算法，AFPF-TLD算法總體跟蹤性能明顯提高，其成功率評分由0.394提高至0.469，精準度評分由0.475提高至0.608，分別提高了19.04%和28.00%。與MIL算法相比，AFPF-TLD算法的總體跟蹤精準度評分提高了0.154；相對于KCF算法，AFPF-TLD算法的總體跟蹤成功率評分與精準度評分分別提高了0.219和0.318；但AFPF-TLD算法的總體跟蹤成功率評分和精準度評分略低于CSRT算法。5 結(jié)論

粒子濾波重采樣之前，通過計算適應度函數(shù)對粒子更新方式進行判斷，利用人工魚群算法更新粒子，使得粒子更加接近真實目標。人工魚群粒子濾波流程圖如圖1所示。首先，當Y(Xi)<Y(Xj）時，即Xj處與目標模型的相似度大于Xi處，粒子根據(jù)式（1）進行更新；然后，對于滿足人工魚感知范圍內(nèi)的候選粒子，即當‖Xj-Xi(t）‖<visual時，粒子根據(jù)式（2）進行更新；最后，將更新后的粒子權(quán)重進行歸一化處理，并重采樣輸出。式中：Y(Xi）為適應度函數(shù)，定義為候選區(qū)域與目標區(qū)域特征的巴氏系數(shù)；Xi為當前目標中心位置，Xj為魚群感知范圍內(nèi)隨機候選的另外一個目標中心位置，Xc為魚群視野范圍內(nèi)伙伴的中心位置；‖·‖為歐式距離；Rand（）為[0,1]內(nèi)的隨機數(shù)；s為魚群移動最大步長；n為視野范圍內(nèi)伙伴數(shù)量；δ為擁擠度因子；t為迭代次數(shù)。

【參考文獻】：
期刊論文
[1]引入樣本刪除機制的TLD粒子群目標跟蹤[J]. 郭巳秋,張濤,苗錫奎.  光學精密工程. 2019(05)
[2]基于改進光流法和紋理權(quán)重的視覺里程計[J]. 吳荻,戰(zhàn)凱,肖小鳳.  計算機工程與設(shè)計. 2019(01)
[3]采用核相關(guān)濾波的快速TLD視覺目標跟蹤[J]. 王姣堯,侯志強,余旺盛,廖秀峰,陳傳華.  中國圖象圖形學報. 2018(11)
[4]基于深度學習的紅外與可見光決策級融合跟蹤[J]. 唐聰,凌永順,楊華,楊星,同武勤.  激光與光電子學進展. 2019(07)
[5]結(jié)合BRISK與區(qū)域預估的改進長時跟蹤算法[J]. 康海林,趙婷,周驊,劉橋,張正平.  激光與光電子學進展. 2018(06)
[6]時空上下文相似性的TLD目標跟蹤算法[J]. 張晶,王旭,范洪博.  計算機科學與探索. 2018(07)
[7]基于視覺的目標檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟.  自動化學報. 2016(10)
[8]檢測區(qū)域動態(tài)調(diào)整的TLD目標跟蹤算法[J]. 曲海成,單曉晨,孟煜,劉萬軍.  計算機應用. 2015(10)
[9]粒子濾波算法[J]. 王法勝,魯明羽,趙清杰,袁澤劍.  計算機學報. 2014(08)
[10]基于關(guān)鍵特征點的改進TLD目標跟蹤算法研究[J]. 秦飛,汪榮貴,梁啟香,張冬梅,李想.  計算機工程與應用. 2016(04)



本文編號：3615121