基于多视角特征协同融合的红外导引头目标追踪算法
发布时间：2020-12-26 11:53
由于非制冷红外热像仪采集的红外图像具有对比度低、纹理模糊的特点,仅仅利用灰度特征很难实现稳定的追踪性能,严重制约复杂环境下武器装备精确打击的能力。在多视角协同学习的基础上,利用脊回归具有解析解的优势,通过最小化类内方差来分析样本之间的类内结构关系,提出一种基于最优间隔分布与多视角特征协同的红外目标跟踪算法,可以同时优化类内间隔方差和类间间隔方差,实现红外目标的实时精确追踪;针对传统模型参数更新适应性不强的问题,引入峰值旁瓣比对跟踪参数进行自适应更新,提升模型的泛化能力。大量定性定量仿真实验结果表明,提出的红外目标追踪算法在目标发生部分遮挡、运动模糊、背景干扰、旋转以及灰度变化等复杂环境下,能够较准确地追踪目标,具有重要的理论和应用研究价值,适合高性能低成本非制冷红外导引头。
【文章来源】：重庆邮电大学学报(自然科学版). 2020年04期 北大核心
【文章页数】：9 页
【部分图文】：
本文算法的追踪重叠精度性能曲线
图1 本文算法的追踪重叠精度性能曲线图3展示了外场数据的跟踪结果,通过本算法与KCF算法之间的比较表明,KCF算法的运行速度非常快,但是当背景复杂和目标发生巨大形变或被严重遮挡的情况下会发生跟踪失败。这样的结果表明,使用单一特征的目标跟踪算法,在特征提取的过程中计算量小,提取特征的算法复杂度低,而得到的特征维度不高。而本文算法则是采取多视角协同学习多类互补特征关系,对目标的表征能力更强,其跟踪性能更优。
表2 各追踪算法的重叠精度对比Tab.2 Overlap accuracy in comparison algorithms 红外序列 算法 TLD KCF FCT MFT 本文算法 基准序列 1 0.479 0.655 0.597 0.602 0.661 ˉ 基准序列 2 0.607 0.715 0.722 0.539 0.761 ˉ 基准序列 3 0.416 0.725 0.708 0.391 0.733 ˉ 外场序列 1 0.651 0.757 0.643 0.504 0.797 ˉ 外场序列 2 0.479 0.757 0.700 0.498 0.801 ˉ 外场序列 3 0.307 0.682 0.687 0.509 0.694 ˉ以上分析表明,追踪过程中,如何利用多特征的互补特性是提高追踪性能的关键。TLD仅仅简单采用了目标的灰度特征,不能较好地描述目标的外观变化;FCT追踪算法则使用了纹理特性更强的haar特征来描述目标,使得对目标的外观描述更加准确。KCF算法通过核函数对多通道特征进行累加,增强待检测目标的泛化能力,但该算法对具有尺度变化、模糊等序列追踪效果不佳。MFT追踪算法利用多特征级联的追踪算法来进行追踪,虽然表现出不错的追踪效果,但级联的特征受目标本身特性影响,算法性能不稳定。本文提出的算法,充分利用了基于形状的HOG特征与基于灰度的直方图特征的互补特性,具有明显的抗干扰能力。
【参考文献】：
期刊论文
[1]卷积自编码融合网络的红外可见光图像融合[J]. 杨勇,刘家祥,黄淑英,张迎梅,吴嘉骅,李露奕. 小型微型计算机系统. 2019(12)
[2]基于双核协同学习模型的红外目标跟踪算法[J]. 曾金发,吴恩斯,李能勇. 红外技术. 2018(05)
[3]中心对称纹理描述及其在目标跟踪中的应用[J]. 程国. 红外技术. 2018(05)
[4]特征融合的核相关滤波目标跟踪[J]. 张晓玄,高美凤. 小型微型计算机系统. 2017(10)
[5]高速激光光斑检测系统的设计与实现[J]. 李一芒,盛磊,陈云善. 激光技术. 2015(04)
[6]一种基于OSLOM的快速社团发现算法[J]. 于洋,李树栋,刘娟,李爱平,金松昌. 鲁东大学学报(自然科学版). 2015(02)
[7]在线加权多示例学习实时目标跟踪[J]. 陈东成,朱明,高文,孙宏海,杨文波. 光学精密工程. 2014(06)
本文编号：2939648
【文章来源】：重庆邮电大学学报(自然科学版). 2020年04期 北大核心
【文章页数】：9 页
【部分图文】：
本文算法的追踪重叠精度性能曲线
图1 本文算法的追踪重叠精度性能曲线图3展示了外场数据的跟踪结果,通过本算法与KCF算法之间的比较表明,KCF算法的运行速度非常快,但是当背景复杂和目标发生巨大形变或被严重遮挡的情况下会发生跟踪失败。这样的结果表明,使用单一特征的目标跟踪算法,在特征提取的过程中计算量小,提取特征的算法复杂度低,而得到的特征维度不高。而本文算法则是采取多视角协同学习多类互补特征关系,对目标的表征能力更强,其跟踪性能更优。
表2 各追踪算法的重叠精度对比Tab.2 Overlap accuracy in comparison algorithms 红外序列 算法 TLD KCF FCT MFT 本文算法 基准序列 1 0.479 0.655 0.597 0.602 0.661 ˉ 基准序列 2 0.607 0.715 0.722 0.539 0.761 ˉ 基准序列 3 0.416 0.725 0.708 0.391 0.733 ˉ 外场序列 1 0.651 0.757 0.643 0.504 0.797 ˉ 外场序列 2 0.479 0.757 0.700 0.498 0.801 ˉ 外场序列 3 0.307 0.682 0.687 0.509 0.694 ˉ以上分析表明,追踪过程中,如何利用多特征的互补特性是提高追踪性能的关键。TLD仅仅简单采用了目标的灰度特征,不能较好地描述目标的外观变化;FCT追踪算法则使用了纹理特性更强的haar特征来描述目标,使得对目标的外观描述更加准确。KCF算法通过核函数对多通道特征进行累加,增强待检测目标的泛化能力,但该算法对具有尺度变化、模糊等序列追踪效果不佳。MFT追踪算法利用多特征级联的追踪算法来进行追踪,虽然表现出不错的追踪效果,但级联的特征受目标本身特性影响,算法性能不稳定。本文提出的算法,充分利用了基于形状的HOG特征与基于灰度的直方图特征的互补特性,具有明显的抗干扰能力。
【参考文献】：
期刊论文
[1]卷积自编码融合网络的红外可见光图像融合[J]. 杨勇,刘家祥,黄淑英,张迎梅,吴嘉骅,李露奕. 小型微型计算机系统. 2019(12)
[2]基于双核协同学习模型的红外目标跟踪算法[J]. 曾金发,吴恩斯,李能勇. 红外技术. 2018(05)
[3]中心对称纹理描述及其在目标跟踪中的应用[J]. 程国. 红外技术. 2018(05)
[4]特征融合的核相关滤波目标跟踪[J]. 张晓玄,高美凤. 小型微型计算机系统. 2017(10)
[5]高速激光光斑检测系统的设计与实现[J]. 李一芒,盛磊,陈云善. 激光技术. 2015(04)
[6]一种基于OSLOM的快速社团发现算法[J]. 于洋,李树栋,刘娟,李爱平,金松昌. 鲁东大学学报(自然科学版). 2015(02)
[7]在线加权多示例学习实时目标跟踪[J]. 陈东成,朱明,高文,孙宏海,杨文波. 光学精密工程. 2014(06)
本文编号：2939648
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2939648.html
