針對Struck算法在遇到完全遮擋后難以恢復目標的跟蹤問題,提出了利用雙重更新策略對目標進行跟蹤的算法。首先標定首幀中目標的所在位置,提取目標特征作為初始模板。其次,設計相似函數(shù)判別當前幀目標區(qū)域與初始模板的相似度,超過閾值的區(qū)域選為正樣本加入到在線學習的過程。最后,當目標遇到完全遮擋時,通過遍歷搜索的方式尋找與目標相似的圖像塊,選擇超過閾值中相似度最高的圖像塊作為目標繼續(xù)跟蹤。實驗結果表明,改進后的算法可以更好地解決因遮擋或背景相近等復雜條件引起的目標跟蹤丟失的問題。 

【文章來源】：山東科技大學學報(自然科學版). 2019,38(06)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

視頻序列的測試結果

跟蹤過程中的目標偏移程度如圖3所示。Girl視頻序列中，Struck算法在120幀處，由于遮擋的原因已經(jīng)跟蹤失敗，當目標被完全遮擋再次出現(xiàn)在視野中時，不能恢復對原目標的跟蹤；雙重更新跟蹤算法利用雙重更新策略，可以繼續(xù)跟蹤目標。Cup視頻序列中，從第26幀到48幀目標被完全遮擋，消失在視野中，兩種算法均無法捕獲目標特征，在第54幀目標再次出現(xiàn)并具有明顯特征時，雙重更新跟蹤算法可以再次獲取目標位置，繼續(xù)跟蹤目標；而Struck算法僅在第90幀目標重新運動到被完全遮擋前的位置時，才可以繼續(xù)跟蹤目標。4 結論

由于Struck算法的速度較慢，對其跟蹤框架進行整體優(yōu)化。Struck算法的在線學習更新需要不斷學習正樣本來適應目標的特征變化，對支持向量的需求比較大，通常設為100。雖然Struck算法中限制了支持向量的無限增長，但仍然允許保持相當?shù)臄?shù)量，從而降低了算法的跟蹤速度。而本研究設計的相似函數(shù)和在線學習作為雙重更新策略，不需要很多的支持向量來維持在線學習中正樣本的有效性，減少了跟蹤框架中對支持向量的需求，支持向量個數(shù)設為50，為程序的運行釋放出更多的緩存空間。在對圖像進行遍歷搜索時，滑動窗口由1×1像素擴大為3×3像素，步長為1個像素，目的在于弱化邊緣像素點的特征，強化中心點的特征�；瑒哟翱谥挥�1個，輸出的通道數(shù)為1。在對圖像的特征提取時，Haar特征首先對圖像進行灰度化處理，弱化顏色特征對目標辨識的影響，輸入的通道數(shù)由原來的RGB顏色空間的3通道減少為灰度圖像的1通道。通過設計相似函數(shù)改變參數(shù)設置，從而達到提高雙重更新跟蹤算法運行速度的目的。3 測試和實驗分析

【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]加權間隔結構化支持向量機目標跟蹤算法[J]. 江少杰,寧紀鋒,李云松.  中國圖象圖形學報. 2017(09)
[3]融合遮擋檢測與HOG特征協(xié)作表示的魯棒人臉識別[J]. 高秀洋,房勝,李哲.  山東科技大學學報(自然科學版). 2017(01)
[4]基于二值特征和結構化輸出支持向量機的目標快速跟蹤算法[J]. 李新葉,孫智華,陳明宇.  計算機應用. 2015(10)
[5]基于Hough變換及SIFT特征提取的圖像匹配方法[J]. 苗彩霞,紀筱鵬.  山東科技大學學報(自然科學版). 2014(04)



本文編號：3289824