針對傳統(tǒng)相關濾波跟蹤器在目標尺度變化和部分遮擋時效果不佳等問題,基于KCF提出了一種全局塊與局部塊協(xié)作的分塊跟蹤算法。該算法首先根據(jù)目標的外觀特征,對跟蹤目標進行水平或垂直分塊,并分別訓練兩個局部濾波器和一個全局濾波器;然后在跟蹤過程中使用局部濾波器對局部塊進行跟蹤,并根據(jù)局部塊的跟蹤結果對全局塊的中心點位置進行初始預測。最后通過全局濾波器確定目標的最終位置,并將相關更新和尺度參數(shù)反饋給局部濾波器,以更新全局濾波器和局部濾波器。此外,不同于KCF使用單一的HOG特征,該算法合并了CN特征,改善了HOG特征對目標形變和運動模糊的表達能力。另外,為解決目標部分遮擋導致的模型漂移問題,提出了一種基于有效局部塊來指導模型更新的方法,并給出了有效局部塊的評價標準。同時,該算法通過分析前后兩幀局部塊之間的距離變化對目標的尺度進行估計,解決了因目標尺度變化帶來的跟蹤失敗問題。實驗在包含100個視頻序列的公共數(shù)據(jù)集OTB-100上進行,在評價指標上,以AUC得分為主,DP和OP為輔,對算法的性能進行評估。實驗結果表明:所提出的算法能有效應對尺度變化和部分遮擋的問題,AUC得分在KCF的基礎上提升了10...

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1CGLCF的模型

針對上述問題,本文在KCF的基礎上提出了全局塊與局部塊協(xié)作的相關濾波器(CooperationbetweenGlobalandLocalCorrelationFilter,CGLCF),算法模型如圖1所示。該模型依賴于全局濾波器和兩個局部濾波器之間的協(xié)作交互作用,局部....

圖2分塊策略示例圖

對于全局塊,采用KCF中的全局外觀模型。對于局部塊,本文使用了一種簡單有效的自適應分塊策略[27]:若目標的長大于寬,則將目標沿垂直方向二等分(如圖2(a)所示);否則,將目標沿水平方向二等分(如圖2(b)所示)。對跟蹤目標進行自適應分塊后,對初始幀中的全局塊和局部塊分別訓練一個....

圖36個跟蹤器的DP和OP得分對比

在OTB-100上,6個跟蹤器的DP和OP得分對比結果如圖3所示。表1列出了6種算法重疊成功率圖中AUC的得分,包含了整體性能與11個屬性子集的性能,其中加粗的字體為最優(yōu)性能,下劃線字體為次優(yōu)。從圖3和表1中可以看出,雖然本文算法在DP和OP上不是最佳,均排在第二,但是AUC的整....

圖46個算法的跟蹤實例圖

在數(shù)據(jù)集OTB-100中,有63個視頻序列的目標存在不同程度的尺度變化。圖4(b)、圖4(d)-圖4(f)給出了6種算法在Walking2,Singer1,Car4,Dog1這4個存在明顯尺度變化的視頻序列上的實驗結果。從圖中可以看出,KCF等一系列跟蹤器由于沒有使用尺度估計的....

本文編號：3899259