為提高目標在被遮擋、快速移動以及平面內(nèi)旋轉情況時的跟蹤精度,提出基于光流法與分塊思想的目標跟蹤算法�；诠饬鞣ㄒ敫櫴∨袆e機制,將預測框中每個像素的光流值與整幅圖片的平均光流值進行比較,依據(jù)超出閾值像素點數(shù)目的百分比對跟蹤結果進行判別;若目標跟蹤被判定為失敗時,提出基于分塊訓練思想的模板更新機制改善后續(xù)跟蹤過程,即把當前視頻幀分割為多個子塊,并單獨訓練每個子塊獲得對應的子濾波器模板,對各個子濾波器加權獲得最終的濾波器模板。實驗結果表明,該算法能夠有效改善在目標被遮擋、目標快速移動以及目標平面內(nèi)旋轉問題下的跟蹤效果。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 失敗判別機制流程

該機制具體流程如圖1所示。首先計算當前幀圖像的平均光流量作為閾值；接著計算當前幀的目標預測框中每個像素的光流值；將目標預測框中的像素光流值與閾值進行比較，當一定比例的像素光流值超過閾值時，預測幀被認為是正確的，否則認為目標預測框是不準確的并且判定當前幀目標跟蹤是失敗的。

圖2 分塊訓練流程

這里分塊訓練是在發(fā)現(xiàn)目標跟蹤失敗時引入的新的模板更新策略。簡而言之，將當前視頻幀分解為m個塊，然后分別為m個子塊訓練對應的子濾波器模板，然后根據(jù)權重αi加權得到最終的濾波器模板，用于后續(xù)視頻幀的跟蹤，其中權重是通過計算各個子塊的中心偏移量來獲得的，具體流程如圖2所示。2.1計算....

圖3 跟蹤結果比較

為了驗證上述跟蹤結果比較中，本文算法對于目標遮擋、目標快速移動以及平面內(nèi)旋轉3個問題的跟蹤魯棒性，在OTB100的視頻數(shù)據(jù)集進行算法性能測試，并與KCF算法、DSST算法以及CSK算法進行了比較，本文也展示了部分視頻序列的跟蹤精確度數(shù)據(jù)，這里的數(shù)據(jù)都是在標準誤差閾值為20像素的條....

圖4 性能比較結果

為了進一步驗證本文算法對目標遮擋、目標快速移動以及目標平面內(nèi)旋轉的問題性能，分別針對具有目標遮擋、目標快速移動或者目標平面內(nèi)旋轉問題的視頻集進行性能測試，仍然與KCF算法、DSST算法以及CSK算法進行比較，比較結果如圖4(a）～圖4(c）所示，視頻集均來自OTB100數(shù)據(jù)集。由....

本文編號：4036976