在長時目標追蹤中,傳統(tǒng)的核相關(guān)濾波算法受到目標尺度變化和環(huán)境因素的影響,追蹤效果會有所下降。為解決這一問題提出了一種尺度自適應的長時目標追蹤算法。首先,為了實現(xiàn)追蹤過程中追蹤器尺度的自適應,在核相關(guān)濾波算法中加入尺度因子池,通過不同尺度下候選目標的響應值判斷目標的最佳尺度;其次,為了提高追蹤的準確度,通過擴大候選目標的搜索范圍,對追蹤不準確的目標位置進行重新檢測;最后為了提高追蹤效率,根據(jù)追蹤的穩(wěn)定性決定是否對追蹤模板進行更新,從而提高追蹤速度,減少過多錯誤信息的學入。實驗結(jié)果表明,所提算法相較于其他追蹤算法在精確度上提高了15.3%,在成功率上提高了17.1%。 

【文章來源】：科學技術(shù)與工程. 2020,20(23)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

尺度自適應的LKCF算法原理圖

由于在后續(xù)核函數(shù)的運算中要求圖像數(shù)據(jù)具有統(tǒng)一的尺寸大小,因此利用雙線性插值方法,將多尺度樣本序列全都縮放成初始給定的目標圖像的尺寸,獲得新的多尺度樣本序列集ScaledSamplen,其構(gòu)建過程如圖2所示。1.2 目標尺度估計

圖3～圖5所示分別是不同設置下追蹤結(jié)果的成功率折線圖、精確度折線圖和FPS折線圖。從圖3～圖5中可以看出,當設置3種尺度因子時,算法的成功率和準確度隨著間隔的變化表現(xiàn)出較大起伏。說明此時算法的普適性不高,受場景和尺度間隔的影響較大。但由于尺度因子的個數(shù)較少,計算量小,因此追蹤速度最快。當設置5種或7種尺度因子時,無論是成功率還是準確度,在不同的尺度間隔下都較為穩(wěn)定。說明此時的算法具有一定的普適性,受場景和尺度間隔的影響小。但是隨著尺度因子個數(shù)的增加,算法的運算速度也逐漸下降。此外,從圖3～圖5中可以看出,在5種或7種尺度因子的情況下,算法的成功率和準確度相差較小,但后者的速度僅能基本達到實時追蹤的水平,比前者低了約10 FPS。圖4 精確度折線圖

【參考文獻】：
期刊論文
[1]結(jié)合目標估計的自適應壓縮跟蹤[J]. 李國友,張春陽,夏永彬,張鳳嶺.  小型微型計算機系統(tǒng). 2019(02)
[2]一種基于核相關(guān)濾波的視覺跟蹤算法[J]. 黃健,郭志波,林科軍.  計算機科學. 2018(S2)
[3]自適應更新上下文相關(guān)濾波補充學習跟蹤算法[J]. 徐憶菲,申雙和,程迪.  科學技術(shù)與工程. 2018(18)
[4]在線單目標視頻跟蹤算法綜述[J]. 管皓,薛向陽,安志勇.  小型微型計算機系統(tǒng). 2017(01)



本文編號：3281525