為了解決復雜場景下,基于整體表觀模型的目標跟蹤算法容易丟失目標的問題,提出了一種多模型協(xié)作的分塊目標跟蹤算法.融合基于局部敏感直方圖的產(chǎn)生式模型和基于超像素分割的判別式模型構建目標表觀模型,提取局部敏感直方圖的亮度不變特征來抵制光照變化的影響;引入目標模型的自適應分塊劃分策略以解決局部敏感直方圖算法缺少有效遮擋處理機制的問題,提高目標的抗遮擋性;通過相對熵和均值聚類度量子塊的局部差異置信度和目標背景置信度,建立雙權值約束機制和子塊異步更新策略,在粒子濾波框架下,選擇置信度高的子塊定位目標.實驗結果表明,該方法在復雜場景下具有良好的跟蹤精度和穩(wěn)定性. 

【文章來源】：軟件學報. 2020,31(02)北大核心EICSCD

【文章頁數(shù)】：20 頁

【部分圖文】：

不同光照條件下的亮度不變特征圖像

固定大小和數(shù)量的目標分塊雖然簡單,卻容易破壞目標區(qū)域內(nèi)部結構及目標與背景的邊界,無法適應目標表觀的多變性,給后續(xù)跟蹤帶來困難.超像素能夠將顏色、亮度、紋理等一些特征屬性相似的像素點聚合在一起,作為一個區(qū)域整體進行處理,同一超像素內(nèi)的特征信息比較統(tǒng)一,利用超像素模型能夠得到自適應的目標子塊,并且得到的目標子塊能夠很好地保持目標邊界和空間結構特征,保證得到的目標子塊是具有一定語義的獨立分塊.相對于固定數(shù)量和形狀的分塊,超像素分塊的模式不變性更好,更適合于目標跟蹤.鑒于此,本文算法首先利用超像素模型將目標區(qū)域自適應劃分為大小不同的若干目標子塊,然后在特征空間中度量每個目標子塊的權重,根據(jù)權值的大小,自適應選擇適當?shù)哪繕朔謮K進行跟蹤.基于超像素分割產(chǎn)生目標分塊的過程如圖2所示.圖2(a)中紅色框為選定目標邊界框,圖2(b)為超像素分割的結果,圖2(c)為目標區(qū)域對應的超像素分割結果,圖2(d)為通過超像素分割獲取的目標分塊.由于超像素分割不會破壞圖像的邊界信息,而目標框并非圖像的自然邊界,為消除基于超像素分割的目標分塊不確定性,本文將與目標框交叉的超像素均判定為背景,此劃分策略能夠剔除目標框內(nèi)的所有背景像素,保證學習到的目標表觀模型具有很強的判別力.實驗結果表明,上述目標分塊劃分策略在抗遮擋能力和跟蹤效率方面都有較好的效果.2.2 基于分塊的目標跟蹤

不同子塊的局部差異置信度變化曲線

【參考文獻】：
期刊論文
[1]基于感知深度神經(jīng)網(wǎng)絡的視覺跟蹤[J]. 侯志強,戴鉑,胡丹,余旺盛,陳晨,范舜奕.  電子與信息學報. 2016(07)
[2]在線魯棒判別式字典學習視覺跟蹤[J]. 薛模根,朱虹,袁廣林.  電子學報. 2016(04)
[3]部件級表觀模型的目標跟蹤方法[J]. 王美華,梁云,劉福明,羅笑南.  軟件學報. 2015(10)
[4]基于目標分塊多特征核稀疏表示的視覺跟蹤[J]. 胡昭華,袁曉彤,李俊,何軍.  計算機研究與發(fā)展. 2015(07)



本文編號：3311514