發(fā)布時間：2022-01-16 12:30

　　基于相關(guān)濾波的目標跟蹤算法已經(jīng)取得了較好的性能并引起關(guān)注.在RGB圖像序列的跟蹤中,遮擋、背景與前景相似紋理的情況下會出現(xiàn)跟蹤失敗.本文提出了一種在判別相關(guān)濾波框架中融合深度信息的跟蹤算法.由深度圖分割獲得空間可靠性圖,根據(jù)可靠性圖計算約束濾波器,避免傳統(tǒng)判別相關(guān)濾波的邊界效應.在跟蹤階段,通過對通道響應進行可靠性加權(quán)求和獲得目標位置.通過目標的深度信息估計尺度,根據(jù)目標區(qū)域的深度分布和相關(guān)濾波器的響應來檢測遮擋.在遮擋期間不更新模型,減少漂移問題.最后,在Princeton RGBD跟蹤數(shù)據(jù)集中進行實驗,結(jié)果表明,加入深度圖分割與基準算法相比效果有提升.文中方法在遮擋以及尺度變化情況下能夠有效地跟蹤目標. 

【文章來源】：小型微型計算機系統(tǒng). 2020,41(04)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

算法流程

第一階段用K均值聚類方法在深度圖目標圖像塊的一維深度直方圖上進行處理．深度直方圖由圖像塊內(nèi)的深度分布計算．在目標未被遮擋時，目標是最近的對象，K均值聚類算法收斂后，目標區(qū)域?qū)哂凶钚∑骄疃鹊拇�，如圖2所示．第二階段是在相同的深度平面區(qū)分物體，去除對應小區(qū)域的簇．目標的空間分布由對應目標區(qū)域深度值的均值μobj和σobj標準差表征．一旦新的目標位置被估計，用兩步深度分割算法重新估計目標物體的深度，得到目標的深度分布信息．選擇深度值在目標區(qū)域范圍內(nèi)的所有點作為目標二值掩膜的候選點，目標和背景分別為1和0.

進一步驗證算法的有效性，將提出的方法與其他算法CSR-DCF,KCF[11],CN[15],SAMF[16]進行對比．表3是不同跟蹤算法在普林斯頓數(shù)據(jù)集中的結(jié)果．CSR-DCF算法使用Hog[17]和ColorNames[18]特征．SAMF算法(Scale Adaptive Kernel Correlation Filter Tracker)，特征采用矢量相加的原始像素、Hog和ColorNames，尺度池方法進行尺度估計．本文算法使用的特征與CSR-DCF特征相同，在精度方面，AUC和P20均高于其他算法．速度方面，利用深度信息計算尺度與基準算法相比，計算量更小，能基本達到實時處理．圖3表示了成功率圖和精度圖，從成功率圖和精度圖可以看到本文方法高于其他算法．圖4 定性評估

【參考文獻】：
期刊論文
[1]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[2]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：3592661