針對Struck算法在遇到完全遮擋后難以恢復(fù)目標(biāo)的跟蹤問題,提出了利用雙重更新策略對目標(biāo)進(jìn)行跟蹤的算法。首先標(biāo)定首幀中目標(biāo)的所在位置,提取目標(biāo)特征作為初始模板。其次,設(shè)計(jì)相似函數(shù)判別當(dāng)前幀目標(biāo)區(qū)域與初始模板的相似度,超過閾值的區(qū)域選為正樣本加入到在線學(xué)習(xí)的過程。最后,當(dāng)目標(biāo)遇到完全遮擋時(shí),通過遍歷搜索的方式尋找與目標(biāo)相似的圖像塊,選擇超過閾值中相似度最高的圖像塊作為目標(biāo)繼續(xù)跟蹤。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的算法可以更好地解決因遮擋或背景相近等復(fù)雜條件引起的目標(biāo)跟蹤丟失的問題。 

【文章來源】：山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019,38(06)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

視頻序列的測試結(jié)果

跟蹤過程中的目標(biāo)偏移程度如圖3所示。Girl視頻序列中，Struck算法在120幀處，由于遮擋的原因已經(jīng)跟蹤失敗，當(dāng)目標(biāo)被完全遮擋再次出現(xiàn)在視野中時(shí)，不能恢復(fù)對原目標(biāo)的跟蹤；雙重更新跟蹤算法利用雙重更新策略，可以繼續(xù)跟蹤目標(biāo)。Cup視頻序列中，從第26幀到48幀目標(biāo)被完全遮擋，消失在視野中，兩種算法均無法捕獲目標(biāo)特征，在第54幀目標(biāo)再次出現(xiàn)并具有明顯特征時(shí)，雙重更新跟蹤算法可以再次獲取目標(biāo)位置，繼續(xù)跟蹤目標(biāo)；而Struck算法僅在第90幀目標(biāo)重新運(yùn)動到被完全遮擋前的位置時(shí)，才可以繼續(xù)跟蹤目標(biāo)。4 結(jié)論

由于Struck算法的速度較慢，對其跟蹤框架進(jìn)行整體優(yōu)化。Struck算法的在線學(xué)習(xí)更新需要不斷學(xué)習(xí)正樣本來適應(yīng)目標(biāo)的特征變化，對支持向量的需求比較大，通常設(shè)為100。雖然Struck算法中限制了支持向量的無限增長，但仍然允許保持相當(dāng)?shù)臄?shù)量，從而降低了算法的跟蹤速度。而本研究設(shè)計(jì)的相似函數(shù)和在線學(xué)習(xí)作為雙重更新策略，不需要很多的支持向量來維持在線學(xué)習(xí)中正樣本的有效性，減少了跟蹤框架中對支持向量的需求，支持向量個(gè)數(shù)設(shè)為50，為程序的運(yùn)行釋放出更多的緩存空間。在對圖像進(jìn)行遍歷搜索時(shí)，滑動窗口由1×1像素?cái)U(kuò)大為3×3像素，步長為1個(gè)像素，目的在于弱化邊緣像素點(diǎn)的特征，強(qiáng)化中心點(diǎn)的特征。滑動窗口只有1個(gè)，輸出的通道數(shù)為1。在對圖像的特征提取時(shí)，Haar特征首先對圖像進(jìn)行灰度化處理，弱化顏色特征對目標(biāo)辨識的影響，輸入的通道數(shù)由原來的RGB顏色空間的3通道減少為灰度圖像的1通道。通過設(shè)計(jì)相似函數(shù)改變參數(shù)設(shè)置，從而達(dá)到提高雙重更新跟蹤算法運(yùn)行速度的目的。3 測試和實(shí)驗(yàn)分析

【參考文獻(xiàn)】：
期刊論文
[1]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[2]加權(quán)間隔結(jié)構(gòu)化支持向量機(jī)目標(biāo)跟蹤算法[J]. 江少杰,寧紀(jì)鋒,李云松.  中國圖象圖形學(xué)報(bào). 2017(09)
[3]融合遮擋檢測與HOG特征協(xié)作表示的魯棒人臉識別[J]. 高秀洋,房勝,李哲.  山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[4]基于二值特征和結(jié)構(gòu)化輸出支持向量機(jī)的目標(biāo)快速跟蹤算法[J]. 李新葉,孫智華,陳明宇.  計(jì)算機(jī)應(yīng)用. 2015(10)
[5]基于Hough變換及SIFT特征提取的圖像匹配方法[J]. 苗彩霞,紀(jì)筱鵬.  山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(04)



本文編號：3289824