為了能有效應(yīng)對目標(biāo)姿態(tài)變化、光照變化和運(yùn)動模糊等場景對目標(biāo)跟蹤問題帶來的干擾以及滿足系統(tǒng)實(shí)時性,提出了一種基于特征壓縮的目標(biāo)跟蹤方法,該方法通過隨機(jī)投影來保存圖像特征空間結(jié)構(gòu),采用稀疏測量矩陣有效壓縮多尺度特征空間的特征。將一幅圖像分為前景目標(biāo)和背景,對這兩部分采用同樣的稀疏測量矩陣進(jìn)行壓縮特征提取,將跟蹤任務(wù)變?yōu)榻⒁粋�二值貝葉斯分類器,同時在壓縮域上在線更新,實(shí)現(xiàn)對目標(biāo)特征的有效表達(dá)和實(shí)時、準(zhǔn)確的跟蹤。實(shí)驗(yàn)表明,提出的壓縮跟蹤算法具有良好的實(shí)時性,在VC平臺上處理速度可達(dá)23 ms/幀,并且在各種具有挑戰(zhàn)性的場景目標(biāo)跟蹤任務(wù)中,表現(xiàn)出良好的精度和魯棒性。 

【文章來源】：光學(xué)與光電技術(shù). 2019,17(04)

【文章頁數(shù)】：5 頁

【部分圖文】：

圖像的多尺度濾波示意圖

其中，w和h是矩形濾波器的長和寬。圖像的多尺度濾波示意圖如圖1所示。OriginalimageZRectanglefilterbankF1?1F1?2Fw?hx1x2x3x4xwhMultiscaleimagerepresentationx=è÷÷÷x1x2?xwh圖1圖像的多尺度濾波示意圖Fig.1Illustrationofmultiscaleimagerepresentation我們將每個濾波后的圖像看作是維度為Rwh的列向量，連結(jié)這些列向量行程超高維度的多尺度圖像特征向量x=(x1?x2??xm)TRm，m=(wh)2如圖2所示。Rn′mxvvi=jrijxj圖2特征壓縮示意圖［8］Fig.2Graphicalrepresentationofcompressingfeature［8］我們假設(shè)矩陣v中的所有元素相互獨(dú)立，建立一個樸素貝葉斯分類器如式（4），令H（v）取得最大值的樣本為目標(biāo)在當(dāng)前幀的樣本位置：H(v)=logè÷÷÷÷÷÷i=1kp(vi|y=1)p(y=1)i=1kp(vi|y=0)p(y=0)=i=1klogè÷p(vi|y=1)p(vi|y=0)（4）式中，p(y=1)=p(y=0)，y是一個代表采樣樣本標(biāo)簽二值變量，y{0?1}。參考文獻(xiàn)［9］證明了隨機(jī)投影理論中高維隨機(jī)投影向量通常滿足高斯分布，因此分類器H（v）中條件概率p(vi|y=1)和p(vi|y=0)滿足以下高斯分布：p(vi|y=1)N(μ1i?σ1i)p(vi|y=0)N(μ0i?σ0i)（5）式中，μ1和σ1分別為正樣本的均值與標(biāo)準(zhǔn)差，μ0和σ0分別為負(fù)樣本的均值與標(biāo)準(zhǔn)差。正樣本表征著目標(biāo)，采用密集采樣方式獲得，負(fù)樣本表

、負(fù)樣本集進(jìn)行多尺度濾波，形成高維特征向量。3）根據(jù)式（1）、（2），對高維特征向量矩陣進(jìn)行隨機(jī)投影，形成圖像的壓縮特征矩陣，計(jì)算出式（5）中的參數(shù)μ1i和σ1i，μ0i和σ0i。后續(xù)幀處理如下：1）在以上一幀目標(biāo)位置為中心，采樣半徑為10個像素的范圍內(nèi)進(jìn)行密集采樣，作為候選樣本集；2）將候選樣本代入式（4），令H（V）取得最大值的樣本位置為新一幀的目標(biāo)位置；3）在當(dāng)前位置執(zhí)行步驟1），根據(jù)式（6）更新正樣本集及負(fù)樣本集，以及相應(yīng)的均值、方差等參數(shù)。算法流程示意圖如圖3所示。第t幀采樣多尺度濾波多尺度特征稀疏測量矩陣壓縮特征分類器（a）在第t幀更新分類器第t+1幀多尺度濾波稀疏測量矩陣壓縮特征多尺度圖像特征分類器（b）在第t+1幀跟蹤目標(biāo)圖3壓縮跟蹤算法流程示意圖Fig.3Maincomponentsofthecompressivetracingalgorithm4由粗到精的搜索策略在過去的基于分類器的目標(biāo)跟蹤算法中，大多采用密集采樣候選樣本的策略，算法計(jì)算量與密集采樣樣本數(shù)量息息相關(guān)。為了降低算法計(jì)算量，提升實(shí)時性，本文提出一種由粗到精的搜索策略，首先在前一幀目標(biāo)位置周圍以較大的步長c和搜索半徑γc進(jìn)行搜索。這樣比遍歷搜索產(chǎn)生的搜索窗數(shù)量少，但是定位結(jié)果可能略有不準(zhǔn)。在此粗搜索的結(jié)果周圍，再以較小的步長f和搜索半徑γf進(jìn)行搜索，實(shí)現(xiàn)精確定位。實(shí)驗(yàn)中，我們設(shè)定c=4，γc=25，f=1，γf=10，搜索次數(shù)為436次，如果采用遍歷搜索，即c=1，γc=25，搜索次數(shù)為1962次，可見由粗到精的搜索策略大大降低計(jì)算量。5仿真及結(jié)果分析實(shí)驗(yàn)在MATLABR2014a平臺上進(jìn)行，跟蹤結(jié)果如圖4所示。24


本文編號：2979742