多模型协作的分块目标跟踪

发布时间：2021-07-30 13:44

　　为了解决复杂场景下,基于整体表观模型的目标跟踪算法容易丢失目标的问题,提出了一种多模型协作的分块目标跟踪算法.融合基于局部敏感直方图的产生式模型和基于超像素分割的判别式模型构建目标表观模型,提取局部敏感直方图的亮度不变特征来抵制光照变化的影响;引入目标模型的自适应分块划分策略以解决局部敏感直方图算法缺少有效遮挡处理机制的问题,提高目标的抗遮挡性;通过相对熵和均值聚类度量子块的局部差异置信度和目标背景置信度,建立双权值约束机制和子块异步更新策略,在粒子滤波框架下,选择置信度高的子块定位目标.实验结果表明,该方法在复杂场景下具有良好的跟踪精度和稳定性. 

【文章来源】：软件学报. 2020,31(02)北大核心EICSCD

【文章页数】：20 页

【部分图文】：

不同光照条件下的亮度不变特征图像

固定大小和数量的目标分块虽然简单,却容易破坏目标区域内部结构及目标与背景的边界,无法适应目标表观的多变性,给后续跟踪带来困难.超像素能够将颜色、亮度、纹理等一些特征属性相似的像素点聚合在一起,作为一个区域整体进行处理,同一超像素内的特征信息比较统一,利用超像素模型能够得到自适应的目标子块,并且得到的目标子块能够很好地保持目标边界和空间结构特征,保证得到的目标子块是具有一定语义的独立分块.相对于固定数量和形状的分块,超像素分块的模式不变性更好,更适合于目标跟踪.鉴于此,本文算法首先利用超像素模型将目标区域自适应划分为大小不同的若干目标子块,然后在特征空间中度量每个目标子块的权重,根据权值的大小,自适应选择适当的目标分块进行跟踪.基于超像素分割产生目标分块的过程如图2所示.图2(a)中红色框为选定目标边界框,图2(b)为超像素分割的结果,图2(c)为目标区域对应的超像素分割结果,图2(d)为通过超像素分割获取的目标分块.由于超像素分割不会破坏图像的边界信息,而目标框并非图像的自然边界,为消除基于超像素分割的目标分块不确定性,本文将与目标框交叉的超像素均判定为背景,此划分策略能够剔除目标框内的所有背景像素,保证学习到的目标表观模型具有很强的判别力.实验结果表明,上述目标分块划分策略在抗遮挡能力和跟踪效率方面都有较好的效果.2.2 基于分块的目标跟踪

不同子块的局部差异置信度变化曲线

【参考文献】：
期刊论文
[1]基于感知深度神经网络的视觉跟踪[J]. 侯志强,戴铂,胡丹,余旺盛,陈晨,范舜奕.  电子与信息学报. 2016(07)
[2]在线鲁棒判别式字典学习视觉跟踪[J]. 薛模根,朱虹,袁广林.  电子学报. 2016(04)
[3]部件级表观模型的目标跟踪方法[J]. 王美华,梁云,刘福明,罗笑南.  软件学报. 2015(10)
[4]基于目标分块多特征核稀疏表示的视觉跟踪[J]. 胡昭华,袁晓彤,李俊,何军.  计算机研究与发展. 2015(07)



本文编号：3311514