基于人工鱼群粒子滤波的TLD改进算法
发布时间：2022-02-08 13:08
在面对光照变化、部分遮挡、背景杂乱和平面内外旋转等跟踪难点时,跟踪学习检测算法（Tracking-Learning-Detection,TLD）容易产生漂移导致跟踪失败,其跟踪性能还有待提高。在传统TLD算法的基础上,提出一种基于人工鱼群粒子滤波的TLD改进算法。首先使用人工鱼群粒子滤波跟踪器代替金字塔光流跟踪器,将颜色直方图特征和方向梯度直方图特征进行融合,建立目标表观模型,引入图像金字塔多尺度思想进行尺度匹配,提高目标跟踪的稳健性。然后通过粒子滤波过程预测目标区域,将TLD算法检测模块的全局扫描改进为局部扫描,剔除大量非目标区域,提高检测模块的检测效率。实验结果表明:基于人工鱼群粒子滤波的TLD改进算法具有良好的跟踪性能,与传统TLD算法相比,其平均成功率和精准度分别提高了19.04%和28.00%,平均跟踪速度可达33.87FPS,提高了38.78%。
【文章来源】：液晶与显示. 2020,35(09)北大核心CSCD
【文章页数】：7 页
【部分图文】：
AFP-TLD算法流程图
图3为10组视频序列的总体跟踪性能，其中红色实线表示AFPF-TLD算法，绿色双点划线表示KCF算法，黑色虚线表示传统TLD算法，蓝色点划线表示CSRT算法，深黄色短划线表示MIL算法。从图3中可以明显看出：相比于传统TLD算法，AFPF-TLD算法总体跟踪性能明显提高，其成功率评分由0.394提高至0.469，精准度评分由0.475提高至0.608，分别提高了19.04%和28.00%。与MIL算法相比，AFPF-TLD算法的总体跟踪精准度评分提高了0.154；相对于KCF算法，AFPF-TLD算法的总体跟踪成功率评分与精准度评分分别提高了0.219和0.318；但AFPF-TLD算法的总体跟踪成功率评分和精准度评分略低于CSRT算法。5 结论
粒子滤波重采样之前，通过计算适应度函数对粒子更新方式进行判断，利用人工鱼群算法更新粒子，使得粒子更加接近真实目标。人工鱼群粒子滤波流程图如图1所示。首先，当Y(Xi)<Y(Xj）时，即Xj处与目标模型的相似度大于Xi处，粒子根据式（1）进行更新；然后，对于满足人工鱼感知范围内的候选粒子，即当‖Xj-Xi(t）‖<visual时，粒子根据式（2）进行更新；最后，将更新后的粒子权重进行归一化处理，并重采样输出。式中：Y(Xi）为适应度函数，定义为候选区域与目标区域特征的巴氏系数；Xi为当前目标中心位置，Xj为鱼群感知范围内随机候选的另外一个目标中心位置，Xc为鱼群视野范围内伙伴的中心位置；‖·‖为欧式距离；Rand（）为[0,1]内的随机数；s为鱼群移动最大步长；n为视野范围内伙伴数量；δ为拥挤度因子；t为迭代次数。
【参考文献】：
期刊论文
[1]引入样本删除机制的TLD粒子群目标跟踪[J]. 郭巳秋,张涛,苗锡奎. 光学精密工程. 2019(05)
[2]基于改进光流法和纹理权重的视觉里程计[J]. 吴荻,战凯,肖小凤. 计算机工程与设计. 2019(01)
[3]采用核相关滤波的快速TLD视觉目标跟踪[J]. 王姣尧,侯志强,余旺盛,廖秀峰,陈传华. 中国图象图形学报. 2018(11)
[4]基于深度学习的红外与可见光决策级融合跟踪[J]. 唐聪,凌永顺,杨华,杨星,同武勤. 激光与光电子学进展. 2019(07)
[5]结合BRISK与区域预估的改进长时跟踪算法[J]. 康海林,赵婷,周骅,刘桥,张正平. 激光与光电子学进展. 2018(06)
[6]时空上下文相似性的TLD目标跟踪算法[J]. 张晶,王旭,范洪博. 计算机科学与探索. 2018(07)
[7]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
[8]检测区域动态调整的TLD目标跟踪算法[J]. 曲海成,单晓晨,孟煜,刘万军. 计算机应用. 2015(10)
[9]粒子滤波算法[J]. 王法胜,鲁明羽,赵清杰,袁泽剑. 计算机学报. 2014(08)
[10]基于关键特征点的改进TLD目标跟踪算法研究[J]. 秦飞,汪荣贵,梁启香,张冬梅,李想. 计算机工程与应用. 2016(04)
本文编号：3615121
【文章来源】：液晶与显示. 2020,35(09)北大核心CSCD
【文章页数】：7 页
【部分图文】：
AFP-TLD算法流程图
图3为10组视频序列的总体跟踪性能，其中红色实线表示AFPF-TLD算法，绿色双点划线表示KCF算法，黑色虚线表示传统TLD算法，蓝色点划线表示CSRT算法，深黄色短划线表示MIL算法。从图3中可以明显看出：相比于传统TLD算法，AFPF-TLD算法总体跟踪性能明显提高，其成功率评分由0.394提高至0.469，精准度评分由0.475提高至0.608，分别提高了19.04%和28.00%。与MIL算法相比，AFPF-TLD算法的总体跟踪精准度评分提高了0.154；相对于KCF算法，AFPF-TLD算法的总体跟踪成功率评分与精准度评分分别提高了0.219和0.318；但AFPF-TLD算法的总体跟踪成功率评分和精准度评分略低于CSRT算法。5 结论
粒子滤波重采样之前，通过计算适应度函数对粒子更新方式进行判断，利用人工鱼群算法更新粒子，使得粒子更加接近真实目标。人工鱼群粒子滤波流程图如图1所示。首先，当Y(Xi)<Y(Xj）时，即Xj处与目标模型的相似度大于Xi处，粒子根据式（1）进行更新；然后，对于满足人工鱼感知范围内的候选粒子，即当‖Xj-Xi(t）‖<visual时，粒子根据式（2）进行更新；最后，将更新后的粒子权重进行归一化处理，并重采样输出。式中：Y(Xi）为适应度函数，定义为候选区域与目标区域特征的巴氏系数；Xi为当前目标中心位置，Xj为鱼群感知范围内随机候选的另外一个目标中心位置，Xc为鱼群视野范围内伙伴的中心位置；‖·‖为欧式距离；Rand（）为[0,1]内的随机数；s为鱼群移动最大步长；n为视野范围内伙伴数量；δ为拥挤度因子；t为迭代次数。
【参考文献】：
期刊论文
[1]引入样本删除机制的TLD粒子群目标跟踪[J]. 郭巳秋,张涛,苗锡奎. 光学精密工程. 2019(05)
[2]基于改进光流法和纹理权重的视觉里程计[J]. 吴荻,战凯,肖小凤. 计算机工程与设计. 2019(01)
[3]采用核相关滤波的快速TLD视觉目标跟踪[J]. 王姣尧,侯志强,余旺盛,廖秀峰,陈传华. 中国图象图形学报. 2018(11)
[4]基于深度学习的红外与可见光决策级融合跟踪[J]. 唐聪,凌永顺,杨华,杨星,同武勤. 激光与光电子学进展. 2019(07)
[5]结合BRISK与区域预估的改进长时跟踪算法[J]. 康海林,赵婷,周骅,刘桥,张正平. 激光与光电子学进展. 2018(06)
[6]时空上下文相似性的TLD目标跟踪算法[J]. 张晶,王旭,范洪博. 计算机科学与探索. 2018(07)
[7]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
[8]检测区域动态调整的TLD目标跟踪算法[J]. 曲海成,单晓晨,孟煜,刘万军. 计算机应用. 2015(10)
[9]粒子滤波算法[J]. 王法胜,鲁明羽,赵清杰,袁泽剑. 计算机学报. 2014(08)
[10]基于关键特征点的改进TLD目标跟踪算法研究[J]. 秦飞,汪荣贵,梁启香,张冬梅,李想. 计算机工程与应用. 2016(04)
本文编号：3615121
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3615121.html
