【摘要】：為克服傳統(tǒng)目標跟蹤算法特征表示單一、局部結構信息利用不足等問題,提出了一種多特征融合的混合模型跟蹤算法.算法首先將像素的局部外觀模型和全局顏色直方圖、方向梯度直方圖模板進行融合,構建一種魯棒性強的混合外觀模型,然后提出一種新的離群檢測策略,該策略將系數(shù)矩陣分成兩個相關的部分并采用l2,1規(guī)范求解.標準測試集上的實驗結果表明,本文算法在處理光照變化和遮擋等場景時具有更高的跟蹤精度和魯棒性.
【圖文】：

定量分析實驗1用來評價第2部分提出的采用不同外觀模型特征融合的效果．此部分進行了三個對比實驗，一個僅利用了像素表1與MTMVTLS比較的覆蓋率(%)的平均值Table1Averageoverlaprate(%)comparisonwithMTMVTLScar11david2trellisskatingshakingsinger2cokecrossingMTMVTLS5777605173712275Ours8487736176737079footballfreeman1david3workingfaceocc2subwayAUCscoreDPscoreMTMVTLS59395457656149．666Ours73506464766749．466．2特征的局部外觀模型，另一個采用顏色和HOG特征的全局模型，最后一個將兩者融合在一起．圖1顯示了多特征融合的混合模型在視頻跟蹤中的效果．僅利用其中一個特征模型的跟蹤算法獲得的曲線下的面積(AUC)值分別是40．6%和32．1%，將兩個特征模型融合之后結果提升到49．4%．實驗1表明特征融合和對不同的特征采用不同的外觀模型在提升跟蹤效果方面起著重要的作用．表28個跟蹤算法的覆蓋率(%)的平均值Table2Averageoverlaprate(%)ofeighttrackingmethodsASLAMTTSCMLIAPGIVTStruckMILOursfaceocc13369787472725977david34310393748295364subway197711616656467car118381828665872084singer254174445173crossing7719772131677279david28884738469854587freeman12721612043343550skating491047106311361coke1744321812662170football4954405655666573faceocc26473726872776676shaking47496884364376Trellis7922672125612573speed210．521615283圖1不同特征的不同外觀模型和將其融合在一起的結果Fig．1Ｒesultsofdifferentfeatureswithdifferentmodelsandthecombinationofthem實驗2為了證明拒絕離值點在提升

131677279david28884738469854587freeman12721612043343550skating491047106311361coke1744321812662170football4954405655666573faceocc26473726872776676shaking47496884364376Trellis7922672125612573speed210．521615283圖1不同特征的不同外觀模型和將其融合在一起的結果Fig．1Ｒesultsofdifferentfeatureswithdifferentmodelsandthecombinationofthem實驗2為了證明拒絕離值點在提升本文跟蹤效果中的作用，，本文進行一組去除離值點處理的對比試驗．如圖2所示，較之不帶離值點處理的跟蹤算法AUC值為47．5%，本文算法得到的AUC值是49．4%．實驗結果表明，在本文的跟蹤算法中應該考慮離值點的存在．圖2帶有和不帶離值點處理的跟蹤結果Fig．2Ｒesultscomparingthetrackerwithandwithoutoutlierhanding圖3和8個比較先進的跟蹤算法比較的成功圖和精度圖Fig．3Successandprecisionplotscomparedtoother8state-of-the-arttrackingmethods最后，將本文提出的算法和其它8個比較先進的跟蹤算12期王琳等:多特征融合的混合模型視頻跟蹤算法2691

【相似文獻】

相關期刊論文 前10條

1 初紅霞;王科俊;王希鳳;郭慶昌;韓晶;;多特征融合的退火粒子濾波目標跟蹤[J];計算機工程與應用;2011年06期

2 顧鑫;王海濤;汪凌峰;王穎;陳如冰;潘春洪;;基于不確定性度量的多特征融合跟蹤[J];自動化學報;2011年05期

3 姚紅革;杜亞勤;;基于多模式多特征融合粒子濾波視頻目標跟蹤[J];西安工業(yè)大學學報;2012年11期

4 王蘭;;基于多特征融合的票據(jù)分類技術及應用[J];計算機光盤軟件與應用;2013年13期

5 陳增照;何秀玲;楊揚;董才林;;基于多特征融合的票據(jù)分類技術及應用[J];計算機工程與應用;2006年09期

6 周斌;林喜榮;賈惠波;宋榕;;多特征融合的手背血管識別算法[J];清華大學學報(自然科學版);2007年02期

7 劉貴喜;范春宇;高恩克;;基于粒子濾波與多特征融合的視頻目標跟蹤[J];光電子.激光;2007年09期

8 胡全;邱兆文;王霓虹;;基于多特征融合的圖像語義標注[J];東北林業(yè)大學學報;2008年10期

9 沈才梁;許雪貴;許方恒;龍丹;;多特征融合的人臉檢測[J];計算機系統(tǒng)應用;2009年11期

10 劉紅;王曄;雷長海;;基于多特征融合的中醫(yī)舌像檢索研究[J];計算機應用研究;2010年02期

相關會議論文 前6條

1 葉鋒;蔡光東;鄭子華;亓曉旭;尹鵬;;基于多特征融合的藥用植物標本識別[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

2 段其昌;季長有;;基于多特征融合的快速人臉檢測[A];第十七屆全國測控計量儀器儀表學術年會（MCMI'2007）論文集（上冊）[C];2007年

3 李玉峰;鄭德權;趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國信息檢索與內容安全學術會議論文集（上）[C];2008年

4 沈樂君;;基于混合模型的多目標實時跟蹤算法[A];2013體育計算機應用論文集[C];2013年

5 汪傳建;李曉光;王大玲;于戈;;一種基于混合模型的文本分類器的研究與實現(xiàn)[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2004年

6 徐斌;馬盡文;;一種柯西混合模型上梯度型BYY和諧學習算法[A];第十三屆全國信號處理學術年會（CCSP-2007）論文集[C];2007年

相關重要報紙文章 前1條

1 ;變化中的分支機構[N];網(wǎng)絡世界;2007年

相關博士學位論文 前9條

1 劉明華;復雜環(huán)境下基于多特征融合的目標跟蹤關鍵技術研究[D];青島科技大學;2016年

2 SAEED-UR-REHMAN;基于機器學習的排序優(yōu)化及其在行人再識別中的應用研究[D];中國科學技術大學;2017年

3 田綱;基于多特征融合的Mean shift目標跟蹤技術研究[D];武漢大學;2011年

4 徐志剛;基于多特征融合的路面破損圖像自動識別技術研究[D];長安大學;2012年

5 陳秀新;多特征融合視頻復制檢測關鍵技術研究[D];北京工業(yè)大學;2013年

6 初紅霞;基于均值移動和粒子濾波的目標跟蹤關鍵技術研究[D];哈爾濱工程大學;2012年

7 李斌;概率混合模型的研究及其應用[D];復旦大學;2009年

8 王先文;基于偏斜t混合模型的流式數(shù)據(jù)細胞類群自動識別算法研究[D];中國人民解放軍軍事醫(yī)學科學院;2015年

9 陳思寶;基于t-混合模型和擴展保局投影的聚類與降維方法研究[D];安徽大學;2006年

相關碩士學位論文 前10條

1 張巖;基于多特征融合及二部圖匹配的3D目標檢索技術研究[D];哈爾濱工業(yè)大學;2015年

2 計明明;基于多特征融合的三維模型檢索技術[D];浙江大學;2015年

3 王慶;基于多特征融合的人體動作識別方法研究[D];上海大學;2015年

4 劉婕;復雜場景多特征融合粒子濾波目標跟蹤[D];重慶理工大學;2015年

5 崔劍;基于多特征融合的分級行人檢測方法研究[D];電子科技大學;2015年

6 王建榮;基于多特征融合的無人機航拍圖像識別研究[D];成都理工大學;2015年

7 高爽;基于多特征融合的粒子濾波跟蹤算法研究[D];西安電子科技大學;2014年

8 坎啟嬌;基于多特征融合的多目標跟蹤算法[D];河北工業(yè)大學;2015年

9 張小琴;基于多特征融合的車輛品牌識別方法研究[D];東南大學;2015年

10 謝振哲;圖像通用隱寫檢測中的多特征融合方法[D];福州大學;2013年

本文編號：2691616