發(fā)布時(shí)間：2018-03-17 07:27

  本文選題：機(jī)器視覺(jué)　切入點(diǎn)：目標(biāo)跟蹤　出處：《激光與光電子學(xué)進(jìn)展》2017年10期 　論文類型：期刊論文

【摘要】：針對(duì)目標(biāo)跟蹤容易受到遮擋、形變和光照變化影響的問(wèn)題,在粒子濾波框架下提出一種基于多特征和局部聯(lián)合稀疏表示的目標(biāo)跟蹤算法。利用HSV空間建立目標(biāo)的顏色表觀模型;利用增強(qiáng)的中心對(duì)稱局部二值模式建立目標(biāo)的紋理表觀模型,并用局部聯(lián)合稀疏編碼表示。綜合顏色和紋理特征計(jì)算候選區(qū)域與目標(biāo)的相似性,并利用最大后驗(yàn)概率估計(jì)目標(biāo)當(dāng)前狀態(tài)。每2幀判斷一次目標(biāo)表觀模型是否需要更新,減少了因頻繁更新目標(biāo)造成的累積誤差。利用visual tracker benchmark數(shù)據(jù)集與其他4種跟蹤算法進(jìn)行了對(duì)比實(shí)驗(yàn),結(jié)果表明,本文算法的整體精確度和成功率分別為83.5%和79.6%。本文算法在存在遮擋、形變和光照變化的情況下,能夠準(zhǔn)確穩(wěn)定地跟蹤目標(biāo)。
[Abstract]:Aiming at the problem that target tracking is easy to be affected by occlusion, deformation and illumination change, a target tracking algorithm based on multi-feature and local joint sparse representation is proposed under the framework of particle filter. The color representation model of the target is established by using HSV space. An enhanced centrosymmetric local binary model is used to build the texture model of the target, and the local joint sparse coding is used to calculate the similarity between the candidate region and the target by combining the color and texture features. Using the maximum posterior probability to estimate the current state of the target, every 2 frames are used to determine whether the target model needs to be updated or not. The cumulative error caused by frequent updating of targets is reduced. The comparison between the visual tracker benchmark dataset and the other four tracking algorithms is carried out, and the results show that, The global accuracy and success rate of this algorithm are 83.5% and 79.6 respectively. The algorithm can track the target accurately and stably under the condition of occlusion deformation and illumination change.
【作者單位】： 天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61573060,61673294)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張新鵬;王朔中;;基于稀疏表示的密寫(xiě)編碼[J];電子學(xué)報(bào);2007年10期

2 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

3 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

4 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

5 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

6 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

7 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

相關(guān)會(huì)議論文 前10條

1 田學(xué)東;郭寶蘭;;基于紋理特征的版式識(shí)別研究[A];輝煌二十年——中國(guó)中文信息學(xué)會(huì)二十周年學(xué)術(shù)會(huì)議論文集[C];2001年

2 殷積東;劉博;王少輝;;基于粗糙集理論和關(guān)聯(lián)規(guī)則的腐蝕區(qū)域紋理特征檢測(cè)算法研究[A];圖像圖形技術(shù)研究與應(yīng)用(2010)[C];2010年

3 秦鐘;;基于紋理特征的車輛分割方法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

4 王建新;周晨波;于文英;;利用紋理特征分析激光散斑圖像[A];第十一屆全國(guó)光學(xué)測(cè)試學(xué)術(shù)討論會(huì)論文（摘要集）[C];2006年

5 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

6 王宇生;陳純;;一種用于圖像檢索的紋理特征[A];中國(guó)圖象圖形學(xué)會(huì)第十屆全國(guó)圖像圖形學(xué)術(shù)會(huì)議（CIG’2001）和第一屆全國(guó)虛擬現(xiàn)實(shí)技術(shù)研討會(huì)（CVR’2001）論文集[C];2001年

7 龔紅菊;姬長(zhǎng)英;;基于紋理特征的麥穗產(chǎn)量測(cè)量方法研究[A];2007年中國(guó)農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文摘要集[C];2007年

8 常哲;侯榆青;程濤;李明俐;劉黎寧;;綜合顏色和紋理特征的圖像檢索[A];全國(guó)第三屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)交流會(huì)�？痆C];2009年

9 秦健;李濤;;基于Contourlet變換提取云的旋轉(zhuǎn)不變紋理特征[A];2009第五屆蘇皖兩省大氣探測(cè)、環(huán)境遙感與電子技術(shù)學(xué)術(shù)研討會(huì)專輯[C];2009年

10 張樹(shù)恒;陽(yáng)維;廖廣姍;王蓮蕓;張素;;基于形狀和紋理特征的致敏花粉顯微圖像識(shí)別[A];中華醫(yī)學(xué)會(huì)2010年全國(guó)變態(tài)反應(yīng)學(xué)術(shù)會(huì)議暨中歐變態(tài)反應(yīng)高峰論壇參會(huì)指南/論文匯編[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 李驁;基于稀疏表示理論的圖像處理關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2014年

2 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

5 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

6 程廣濤;基于壓縮感知的人臉識(shí)別方法研究[D];天津大學(xué);2015年

7 黃丹丹;基于稀疏表示的視覺(jué)目標(biāo)跟蹤方法研究[D];大連理工大學(xué);2016年

8 趙淑歡;欠完備采樣環(huán)境下面向數(shù)據(jù)的稀疏表示人臉識(shí)別研究[D];燕山大學(xué);2016年

9 劉海倉(cāng);基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤方法研究[D];湖南大學(xué);2015年

10 項(xiàng)鳳濤;基于稀疏表示與優(yōu)化的圖像信息處理方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

3 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

4 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

5 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

6 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

9 陳蒙;基于稀疏表示特征的人臉識(shí)別方法研究[D];深圳大學(xué);2015年

10 袁文;基于稀疏表示的行人檢測(cè)方法研究[D];南京理工大學(xué);2015年

，

本文編號(hào)：1623761