在長(zhǎng)時(shí)目標(biāo)追蹤中,傳統(tǒng)的核相關(guān)濾波算法受到目標(biāo)尺度變化和環(huán)境因素的影響,追蹤效果會(huì)有所下降。為解決這一問(wèn)題提出了一種尺度自適應(yīng)的長(zhǎng)時(shí)目標(biāo)追蹤算法。首先,為了實(shí)現(xiàn)追蹤過(guò)程中追蹤器尺度的自適應(yīng),在核相關(guān)濾波算法中加入尺度因子池,通過(guò)不同尺度下候選目標(biāo)的響應(yīng)值判斷目標(biāo)的最佳尺度;其次,為了提高追蹤的準(zhǔn)確度,通過(guò)擴(kuò)大候選目標(biāo)的搜索范圍,對(duì)追蹤不準(zhǔn)確的目標(biāo)位置進(jìn)行重新檢測(cè);最后為了提高追蹤效率,根據(jù)追蹤的穩(wěn)定性決定是否對(duì)追蹤模板進(jìn)行更新,從而提高追蹤速度,減少過(guò)多錯(cuò)誤信息的學(xué)入。實(shí)驗(yàn)結(jié)果表明,所提算法相較于其他追蹤算法在精確度上提高了15.3%,在成功率上提高了17.1%。 

【文章來(lái)源】：科學(xué)技術(shù)與工程. 2020,20(23)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

尺度自適應(yīng)的LKCF算法原理圖

由于在后續(xù)核函數(shù)的運(yùn)算中要求圖像數(shù)據(jù)具有統(tǒng)一的尺寸大小,因此利用雙線性插值方法,將多尺度樣本序列全都縮放成初始給定的目標(biāo)圖像的尺寸,獲得新的多尺度樣本序列集ScaledSamplen,其構(gòu)建過(guò)程如圖2所示。1.2 目標(biāo)尺度估計(jì)

圖3～圖5所示分別是不同設(shè)置下追蹤結(jié)果的成功率折線圖、精確度折線圖和FPS折線圖。從圖3～圖5中可以看出,當(dāng)設(shè)置3種尺度因子時(shí),算法的成功率和準(zhǔn)確度隨著間隔的變化表現(xiàn)出較大起伏。說(shuō)明此時(shí)算法的普適性不高,受場(chǎng)景和尺度間隔的影響較大。但由于尺度因子的個(gè)數(shù)較少,計(jì)算量小,因此追蹤速度最快。當(dāng)設(shè)置5種或7種尺度因子時(shí),無(wú)論是成功率還是準(zhǔn)確度,在不同的尺度間隔下都較為穩(wěn)定。說(shuō)明此時(shí)的算法具有一定的普適性,受場(chǎng)景和尺度間隔的影響小。但是隨著尺度因子個(gè)數(shù)的增加,算法的運(yùn)算速度也逐漸下降。此外,從圖3～圖5中可以看出,在5種或7種尺度因子的情況下,算法的成功率和準(zhǔn)確度相差較小,但后者的速度僅能基本達(dá)到實(shí)時(shí)追蹤的水平,比前者低了約10 FPS。圖4 精確度折線圖

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合目標(biāo)估計(jì)的自適應(yīng)壓縮跟蹤[J]. 李國(guó)友,張春陽(yáng),夏永彬,張鳳嶺.  小型微型計(jì)算機(jī)系統(tǒng). 2019(02)
[2]一種基于核相關(guān)濾波的視覺(jué)跟蹤算法[J]. 黃健,郭志波,林科軍.  計(jì)算機(jī)科學(xué). 2018(S2)
[3]自適應(yīng)更新上下文相關(guān)濾波補(bǔ)充學(xué)習(xí)跟蹤算法[J]. 徐憶菲,申雙和,程迪.  科學(xué)技術(shù)與工程. 2018(18)
[4]在線單目標(biāo)視頻跟蹤算法綜述[J]. 管皓,薛向陽(yáng),安志勇.  小型微型計(jì)算機(jī)系統(tǒng). 2017(01)



本文編號(hào)：3281525