發(fā)布時間：2020-12-26 11:53

　　由于非制冷紅外熱像儀采集的紅外圖像具有對比度低、紋理模糊的特點,僅僅利用灰度特征很難實現(xiàn)穩(wěn)定的追蹤性能,嚴重制約復雜環(huán)境下武器裝備精確打擊的能力。在多視角協(xié)同學習的基礎上,利用脊回歸具有解析解的優(yōu)勢,通過最小化類內(nèi)方差來分析樣本之間的類內(nèi)結構關系,提出一種基于最優(yōu)間隔分布與多視角特征協(xié)同的紅外目標跟蹤算法,可以同時優(yōu)化類內(nèi)間隔方差和類間間隔方差,實現(xiàn)紅外目標的實時精確追蹤;針對傳統(tǒng)模型參數(shù)更新適應性不強的問題,引入峰值旁瓣比對跟蹤參數(shù)進行自適應更新,提升模型的泛化能力。大量定性定量仿真實驗結果表明,提出的紅外目標追蹤算法在目標發(fā)生部分遮擋、運動模糊、背景干擾、旋轉以及灰度變化等復雜環(huán)境下,能夠較準確地追蹤目標,具有重要的理論和應用研究價值,適合高性能低成本非制冷紅外導引頭。 

【文章來源】：重慶郵電大學學報(自然科學版). 2020年04期 北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

本文算法的追蹤重疊精度性能曲線

圖1 本文算法的追蹤重疊精度性能曲線圖3展示了外場數(shù)據(jù)的跟蹤結果,通過本算法與KCF算法之間的比較表明,KCF算法的運行速度非�？�,但是當背景復雜和目標發(fā)生巨大形變或被嚴重遮擋的情況下會發(fā)生跟蹤失敗。這樣的結果表明,使用單一特征的目標跟蹤算法,在特征提取的過程中計算量小,提取特征的算法復雜度低,而得到的特征維度不高。而本文算法則是采取多視角協(xié)同學習多類互補特征關系,對目標的表征能力更強,其跟蹤性能更優(yōu)。

表2 各追蹤算法的重疊精度對比Tab.2 Overlap accuracy in comparison algorithms 紅外序列 算法 TLD KCF FCT MFT 本文算法 基準序列 1 0.479 0.655 0.597 0.602 0.661 ˉ 基準序列 2 0.607 0.715 0.722 0.539 0.761 ˉ 基準序列 3 0.416 0.725 0.708 0.391 0.733 ˉ 外場序列 1 0.651 0.757 0.643 0.504 0.797 ˉ 外場序列 2 0.479 0.757 0.700 0.498 0.801 ˉ 外場序列 3 0.307 0.682 0.687 0.509 0.694 ˉ以上分析表明,追蹤過程中,如何利用多特征的互補特性是提高追蹤性能的關鍵。TLD僅僅簡單采用了目標的灰度特征,不能較好地描述目標的外觀變化;FCT追蹤算法則使用了紋理特性更強的haar特征來描述目標,使得對目標的外觀描述更加準確。KCF算法通過核函數(shù)對多通道特征進行累加,增強待檢測目標的泛化能力,但該算法對具有尺度變化、模糊等序列追蹤效果不佳。MFT追蹤算法利用多特征級聯(lián)的追蹤算法來進行追蹤,雖然表現(xiàn)出不錯的追蹤效果,但級聯(lián)的特征受目標本身特性影響,算法性能不穩(wěn)定。本文提出的算法,充分利用了基于形狀的HOG特征與基于灰度的直方圖特征的互補特性,具有明顯的抗干擾能力。

【參考文獻】：
期刊論文
[1]卷積自編碼融合網(wǎng)絡的紅外可見光圖像融合[J]. 楊勇,劉家祥,黃淑英,張迎梅,吳嘉驊,李露奕.  小型微型計算機系統(tǒng). 2019(12)
[2]基于雙核協(xié)同學習模型的紅外目標跟蹤算法[J]. 曾金發(fā),吳恩斯,李能勇.  紅外技術. 2018(05)
[3]中心對稱紋理描述及其在目標跟蹤中的應用[J]. 程國.  紅外技術. 2018(05)
[4]特征融合的核相關濾波目標跟蹤[J]. 張曉玄,高美鳳.  小型微型計算機系統(tǒng). 2017(10)
[5]高速激光光斑檢測系統(tǒng)的設計與實現(xiàn)[J]. 李一芒,盛磊,陳云善.  激光技術. 2015(04)
[6]一種基于OSLOM的快速社團發(fā)現(xiàn)算法[J]. 于洋,李樹棟,劉娟,李愛平,金松昌.  魯東大學學報(自然科學版). 2015(02)
[7]在線加權多示例學習實時目標跟蹤[J]. 陳東成,朱明,高文,孫宏海,楊文波.  光學精密工程. 2014(06)



本文編號：2939648