【摘要】：為解決單一特征目標(biāo)跟蹤算法因光照變化、目標(biāo)遮擋導(dǎo)致的跟蹤失敗問題,提出一種自適應(yīng)加權(quán)融合顏色屬性特征和方向梯度直方圖特征的核相關(guān)濾波目標(biāo)跟蹤算法.首先根據(jù)目標(biāo)顏色屬性特征和方向梯度直方圖特征,采用核相關(guān)濾波方法獲得2種特征下目標(biāo)的預(yù)測位置;然后分別計算2個目標(biāo)位置的核相關(guān)濾波響應(yīng)值,據(jù)此響應(yīng)值大小按比例分配目標(biāo)位置權(quán)重,獲得目標(biāo)的最終預(yù)測位置,提高了目標(biāo)定位的精度;最后采用相鄰2幀圖像的平均差來分析圖像的變化率,按變化率分段調(diào)整分類器的學(xué)習(xí)速率,解決目標(biāo)遮擋導(dǎo)致的跟蹤失敗問題.在9組標(biāo)準(zhǔn)測試視頻集下驗證文中算法,并與3種核相關(guān)濾波跟蹤算法進(jìn)行比較的結(jié)果表明,與其中最優(yōu)算法相比,該算法跟蹤目標(biāo)的平均中心位置誤差減少16.78個像素,平均距離精度提高11.01%,平均重疊精度提高14.87%;在目標(biāo)嚴(yán)重遮擋情況下,該算法依然能夠穩(wěn)定地跟蹤目標(biāo).
【圖文】：

中心真實值之間的平均歐氏距離,DP定義為中心位表1實驗中的測試視頻測試視頻幀數(shù)目標(biāo)大小面臨的主要挑戰(zhàn)CarScale25226×42尺度變換,遮擋Crossing12050×17光照變換,背景復(fù)雜,旋轉(zhuǎn)David3252131×35遮擋,背景復(fù)雜,旋轉(zhuǎn)Dog1135036×51尺度變換,低分辨率Lemming1336103×61遮擋,尺度變換,旋轉(zhuǎn)Jogging307101×25遮擋,背景復(fù)雜Subway17551×19遮擋,旋轉(zhuǎn)Walking41279×24尺度變化,變形Walking2500115×31尺度變化,遮擋,低分辨率a.CarScaleb.Crossingc.David3d.Dog1e.Joggingf.Lemmingg.Subwayh.Walkingi.Walking2圖19組測試視頻第1幀畫面置誤差小于某一閾值的幀數(shù)占視頻總幀數(shù)的百分比,OP定義為邊界框重疊的地方超過一個閾值的幀數(shù)占視頻總幀數(shù)的百分比.DP和OP的值越大,說明符合條件的幀數(shù)越多,即跟蹤效果越好.本文共設(shè)計了3組實驗,第1組實驗在9組測試視頻上對比現(xiàn)有的3種相關(guān)濾波跟蹤算法(基于灰度特征的CSK算法[9]、基于顏色屬性特征的CN算法[10]及基于HOG特征的KCF算法[11])和本文算法的跟蹤效果;第2組實驗對比4種跟蹤算法的速度;第3組實驗測試4種算法在目標(biāo)發(fā)生嚴(yán)重遮擋的3組測試視頻的跟蹤效果.實驗1.跟蹤效果對比實驗對9組復(fù)雜視頻進(jìn)行實驗,驗證本文算法和現(xiàn)有的3種相關(guān)濾波跟蹤算法的效果.為了比較的公平性,在所有的實驗中,4種算法均采用高斯核函數(shù),0.15;搜索區(qū)域取2.5倍目標(biāo)大小;除本文算法采用分段學(xué)習(xí)速率參數(shù)外,其他算法采用固定學(xué)習(xí)速率0.025.實驗結(jié)果如表2所示,其中

第6期熊昌鎮(zhèn),等:自適應(yīng)特征融合的核相關(guān)濾波跟蹤算法1073圖23組嚴(yán)重遮擋視頻的(DP)曲線圖表43組遮擋視頻序列各算法平均對比結(jié)果跟蹤算法平均CLE/像素平均DP/%平均OP/%CSK137.730.329.2CN116.226.424.7KCF60.854.856.5本文6.694.192.0第50幀遇到遮擋第75幀遮擋結(jié)束a.Jogging視頻第348幀遇到遮擋第380幀遮擋結(jié)束b.Lemming視頻第40幀遇到遮擋第50幀遮擋結(jié)束c.Subway視頻CSK算法;CN算法;KCF算法;本文算法圖3存在嚴(yán)重遮擋時3組視頻各種算法跟蹤結(jié)果本文算法仍能有效地跟蹤目標(biāo);Subway視頻在第40幀遇到嚴(yán)重遮擋到第50幀遮擋結(jié)束時,本文算法和KCF算法依然可以準(zhǔn)確跟蹤目標(biāo),但是其他2種算法都發(fā)生了跟丟情況.結(jié)果表明,在目標(biāo)遇到嚴(yán)重遮擋時,本文算法可以更加準(zhǔn)確地跟蹤目標(biāo).以上實驗結(jié)果表明,本文算法具有更高的跟蹤精度,可有效地解決目標(biāo)嚴(yán)重遮擋造成的跟蹤失敗問題.4結(jié)語本文對核相關(guān)濾波目標(biāo)跟蹤算法進(jìn)行了2點改進(jìn),提出了融合CN特征和HOG特征的目標(biāo)位置預(yù)測方法,根據(jù)跟蹤目標(biāo)的相關(guān)濾波響應(yīng)值自適應(yīng)地分配預(yù)測目標(biāo)位置的權(quán)重,提高了目標(biāo)跟蹤算法的精度;設(shè)計了一種依據(jù)視頻圖像的變化情況分段調(diào)整學(xué)習(xí)速率的方法,可以很好地解決目標(biāo)遮擋等問題.采用9組復(fù)雜視頻對算法進(jìn)行了實驗的結(jié)果表明,本文算法的目標(biāo)跟蹤平均CLE為9.27像素,平均DP為88.34%,平均OP為74.2%;同其他3種核相關(guān)濾波目標(biāo)跟蹤算法中表現(xiàn)最優(yōu)的KCF算法相比,平均CLE減少了16.78像素,平均DP增加了11.01%,平均OP增加了14.87%.在目標(biāo)發(fā)生嚴(yán)重遮擋的情況下,本文算法仍能穩(wěn)定地跟蹤目標(biāo),獲得了更穩(wěn)定和更高精度的跟蹤結(jié)果.由于本文算法同時采用HOG特征和CN特征,造成了跟蹤速度下降,但仍可以達(dá)到實時跟蹤的要求,將來可進(jìn)一步分析影響跟蹤速度的各個因素

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周斌;林喜榮;賈惠波;周永冠;;量化層多生物特征融合的最佳權(quán)值[J];清華大學(xué)學(xué)報(自然科學(xué)版);2008年02期

2 丁寶亮;;基于局部特征融合的人臉識別研究[J];中國新技術(shù)新產(chǎn)品;2012年14期

3 劉增榮;余雪麗;李志;;基于特征融合的圖像情感語義識別研究[J];太原理工大學(xué)學(xué)報;2012年05期

4 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質(zhì)特征融合分類算法[J];電子技術(shù)與軟件工程;2013年02期

5 卞志國;金立左;費樹岷;;特征融合與視覺目標(biāo)跟蹤[J];計算機應(yīng)用研究;2010年04期

6 韓萍;徐建龍;吳仁彪;;一種新的目標(biāo)跟蹤特征融合方法[J];中國民航大學(xué)學(xué)報;2010年04期

7 何賢江;何維維;左航;;一種句詞五特征融合模型的復(fù)述研究[J];四川大學(xué)學(xué)報(工程科學(xué)版);2012年06期

8 劉冬梅;;基于特征融合的人臉識別[J];計算機光盤軟件與應(yīng)用;2013年12期

9 李建科;張輝;趙保軍;張長水;;彩色分量流形特征融合的人臉識別[J];北京理工大學(xué)學(xué)報;2014年05期

10 高秀梅,楊靜宇,宋楓溪,楊健;一種基于特征融合的人臉識別新方法[J];計算機應(yīng)用研究;2003年11期

相關(guān)會議論文 前5條

1 劉冰;羅熊;劉華平;孫富春;;光學(xué)與深度特征融合在機器人場景定位中的應(yīng)用[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第三分冊）[C];2013年

2 翟懿奎;甘俊英;曾軍英;;基于特征融合與支持向量機的偽裝人臉識別[A];第六屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2012年

3 卞志國;金立左;費樹岷;;基于增量判別分析的特征融合與視覺目標(biāo)跟蹤[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

4 韓文靜;李海峰;韓紀(jì)慶;;基于長短時特征融合的語音情感識別方法研究[A];第九屆全國人機語音通訊學(xué)術(shù)會議論文集[C];2007年

5 孟凡潔;孔祥維;尤新剛;;基于特征融合的相機來源認(rèn)證方法[A];全國第一屆信號處理學(xué)術(shù)會議暨中國高科技產(chǎn)業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議專刊[C];2007年

相關(guān)博士學(xué)位論文 前8條

1 陳倩;多生物特征融合身份識別研究[D];浙江大學(xué);2007年

2 蒲曉蓉;多模態(tài)生物特征融合的神經(jīng)網(wǎng)絡(luò)方法[D];電子科技大學(xué);2007年

3 王志芳;基于感知信息的多模態(tài)生物特征融合技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2009年

4 王楠;基于多視覺特征融合的后方車輛檢測技術(shù)研究[D];東北大學(xué)　;2009年

5 徐穎;基于特征融合與仿生模式的生物特征識別研究[D];華南理工大學(xué);2013年

6 張艷;基于柔性陣列 傳感器的足跡特征分析與應(yīng)用研究[D];安徽大學(xué);2015年

7 孫興華;基于內(nèi)容的圖像檢索研究[D];南京理工大學(xué);2002年

8 王林泓;熱釋電紅外信號特征分析及人體識別方法研究[D];重慶大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 付艷紅;基于特征融合的人臉識別算法研究與實現(xiàn)[D];天津理工大學(xué);2015年

2 許超;基于特征融合與壓縮感知的實木地板缺陷檢測方法研究[D];東北林業(yè)大學(xué);2015年

3 楊文婷;基于微博的情感分析算法研究與實現(xiàn)[D];西南交通大學(xué);2015年

4 梅尚健;基于特征融合的圖像檢索研究與實現(xiàn)[D];西南交通大學(xué);2015年

5 王鵬飛;基于多慢特征融合的人體行為識別研究[D];西南大學(xué);2015年

6 薛冰霞;基于多模特征融合的人體跌倒檢測算法研究[D];山東大學(xué);2015年

7 何樂樂;醫(yī)學(xué)圖像分類中的特征融合與特征學(xué)習(xí)研究[D];電子科技大學(xué);2015年

8 戴博;基于結(jié)構(gòu)復(fù)雜度特征融合的視覺注意模型研究及其應(yīng)用[D];復(fù)旦大學(xué);2014年

9 王寧;基于特征融合的人臉識別算法[D];東北大學(xué);2013年

10 岳求生;基于特征融合的靜態(tài)圖像行人檢測[D];長沙理工大學(xué);2014年

，

本文編號：2575584