基于自适应平滑尺度粒子滤波的目标快速跟踪

发布时间：2021-01-24 16:09

　　针对视频目标跟踪中因目标尺度变化而导致跟踪失败的问题,采用粒子滤波对目标尺度进行估计,提出一种基于粒子滤波的快速自适应平滑尺度跟踪算法.首先,为增强不同候选尺度下同一目标的区分性,构造了一种基于方向梯度特征的概率分布特征;其次,利用先验知识来优化粒子滤波算法中建议密度分布函数,提高算法对尺度估计的准确度;最后,运用合理的尺度约束函数对所估计的目标尺度进行二次优化.另外,运用核相关滤波器对位置预测时,为减少因大幅尺度缩放所带来的干扰问题,通过设置合适的阈值,实现核相关滤波器尺度的自适应更新,有效提高了位置预测的准确度.实验结果表明,在尺度估计方面,所提算法比几种典型的尺度估计算法有所提高且实时性较好. 

【文章来源】：信息与控制. 2020,49(05)北大核心

【文章页数】：10 页

【部分图文】：

面向目标尺度估计的HOG特征

w(x 1:t i )=w(x 1:t-1 i ) p(z t i |x t i )p(x t i |x t-1 i ) q(x t i |x t-1 i ) (5)为了提高对E(f(x))估计的准确性, 所引入的参考分布q(xi1:t)应尽可能的接近p(x 1:t i , z 1:t i ). 因此, 对于图2中的动态模型, 当对p(x 1:t i , z 1:t i )进行最优估计时, 令q(x t 1 |x t-1 i )=p(x t i |x t-1 i , z t i ), 对式(5)中的权重值进行化简, 会出现难以积分的情况; 为此, 常采用次优估计, 令q(x t i |x t-1 i )=p(xit|xit-1), 对式(5)中权重值进行化简得:

在视频序列中, 当已知目标当前尺度、 尺度变化的速度和加速度等状态变量时, 目标的下一个状态只依赖于当前状态. 因此视频序列中目标尺度的动态变化过程符合马尔可夫特性, 上述结论完全适用于目标尺度估计. 据此, 在粒子滤波的基础上, 本文设计了自适应平滑尺度滤波器, 如图3所示, 实现了对目标尺度的准确估计.首先, 获得N个初始粒子点{s 1 i }i=1∶N, 如图3(a)所示; 其次, 获得N个不同尺度下的图像, 如图3(b)所示, 并将这N个图像缩放到同一模板尺度下, 如图3(c)所示; 然后, 分别提取图3(d)和图3(e)中的不同尺度下候选目标的概率分布特征qi(i=1∶N)和真实目标的概率分布特征p, 具体方法如图1所示; 最后, 求取p和qi的Bhattacharyya距离作为相似性度量:

【参考文献】：
期刊论文
[1]自适应尺度的快速相关滤波跟踪算法[J]. 马晓楠,刘晓利,李银伢.  计算机辅助设计与图形学学报. 2017(03)
[2]基于多特征融合的粒子滤波目标跟踪算法[J]. 刘士荣,朱伟涛,杨帆,仲朝亮.  信息与控制. 2012(06)
[3]基于GRNN的拟蒙特卡洛粒子滤波目标跟踪算法[J]. 陈志敏,薄煜明,吴盘龙,徐文康,刘正凡.  信息与控制. 2012(06)



本文编号：2997541