判别相关滤波融合深度信息的目标跟踪算法

发布时间：2022-01-16 12:30

　　基于相关滤波的目标跟踪算法已经取得了较好的性能并引起关注.在RGB图像序列的跟踪中,遮挡、背景与前景相似纹理的情况下会出现跟踪失败.本文提出了一种在判别相关滤波框架中融合深度信息的跟踪算法.由深度图分割获得空间可靠性图,根据可靠性图计算约束滤波器,避免传统判别相关滤波的边界效应.在跟踪阶段,通过对通道响应进行可靠性加权求和获得目标位置.通过目标的深度信息估计尺度,根据目标区域的深度分布和相关滤波器的响应来检测遮挡.在遮挡期间不更新模型,减少漂移问题.最后,在Princeton RGBD跟踪数据集中进行实验,结果表明,加入深度图分割与基准算法相比效果有提升.文中方法在遮挡以及尺度变化情况下能够有效地跟踪目标. 

【文章来源】：小型微型计算机系统. 2020,41(04)北大核心CSCD

【文章页数】：5 页

【部分图文】：

算法流程

第一阶段用K均值聚类方法在深度图目标图像块的一维深度直方图上进行处理．深度直方图由图像块内的深度分布计算．在目标未被遮挡时，目标是最近的对象，K均值聚类算法收敛后，目标区域对应具有最小平均深度的簇，如图2所示．第二阶段是在相同的深度平面区分物体，去除对应小区域的簇．目标的空间分布由对应目标区域深度值的均值μobj和σobj标准差表征．一旦新的目标位置被估计，用两步深度分割算法重新估计目标物体的深度，得到目标的深度分布信息．选择深度值在目标区域范围内的所有点作为目标二值掩膜的候选点，目标和背景分别为1和0.

进一步验证算法的有效性，将提出的方法与其他算法CSR-DCF,KCF[11],CN[15],SAMF[16]进行对比．表3是不同跟踪算法在普林斯顿数据集中的结果．CSR-DCF算法使用Hog[17]和ColorNames[18]特征．SAMF算法(Scale Adaptive Kernel Correlation Filter Tracker)，特征采用矢量相加的原始像素、Hog和ColorNames，尺度池方法进行尺度估计．本文算法使用的特征与CSR-DCF特征相同，在精度方面，AUC和P20均高于其他算法．速度方面，利用深度信息计算尺度与基准算法相比，计算量更小，能基本达到实时处理．图3表示了成功率图和精度图，从成功率图和精度图可以看到本文方法高于其他算法．图4 定性评估

【参考文献】：
期刊论文
[1]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋.  模式识别与人工智能. 2018(01)
[2]在线单目标视频跟踪算法综述[J]. 管皓,薛向阳,安志勇.  小型微型计算机系统. 2017(01)



本文编号：3592661