全局块与局部块协作的相关滤波目标跟踪算法

发布时间：2024-02-15 05:06

　　针对传统相关滤波跟踪器在目标尺度变化和部分遮挡时效果不佳等问题,基于KCF提出了一种全局块与局部块协作的分块跟踪算法。该算法首先根据目标的外观特征,对跟踪目标进行水平或垂直分块,并分别训练两个局部滤波器和一个全局滤波器;然后在跟踪过程中使用局部滤波器对局部块进行跟踪,并根据局部块的跟踪结果对全局块的中心点位置进行初始预测。最后通过全局滤波器确定目标的最终位置,并将相关更新和尺度参数反馈给局部滤波器,以更新全局滤波器和局部滤波器。此外,不同于KCF使用单一的HOG特征,该算法合并了CN特征,改善了HOG特征对目标形变和运动模糊的表达能力。另外,为解决目标部分遮挡导致的模型漂移问题,提出了一种基于有效局部块来指导模型更新的方法,并给出了有效局部块的评价标准。同时,该算法通过分析前后两帧局部块之间的距离变化对目标的尺度进行估计,解决了因目标尺度变化带来的跟踪失败问题。实验在包含100个视频序列的公共数据集OTB-100上进行,在评价指标上,以AUC得分为主,DP和OP为辅,对算法的性能进行评估。实验结果表明:所提出的算法能有效应对尺度变化和部分遮挡的问题,AUC得分在KCF的基础上提升了10...

【文章页数】：7 页

【部分图文】：

图1CGLCF的模型

针对上述问题,本文在KCF的基础上提出了全局块与局部块协作的相关滤波器(CooperationbetweenGlobalandLocalCorrelationFilter,CGLCF),算法模型如图1所示。该模型依赖于全局滤波器和两个局部滤波器之间的协作交互作用,局部....

图2分块策略示例图

对于全局块,采用KCF中的全局外观模型。对于局部块,本文使用了一种简单有效的自适应分块策略[27]:若目标的长大于宽,则将目标沿垂直方向二等分(如图2(a)所示);否则,将目标沿水平方向二等分(如图2(b)所示)。对跟踪目标进行自适应分块后,对初始帧中的全局块和局部块分别训练一个....

图36个跟踪器的DP和OP得分对比

在OTB-100上,6个跟踪器的DP和OP得分对比结果如图3所示。表1列出了6种算法重叠成功率图中AUC的得分,包含了整体性能与11个属性子集的性能,其中加粗的字体为最优性能,下划线字体为次优。从图3和表1中可以看出,虽然本文算法在DP和OP上不是最佳,均排在第二,但是AUC的整....

图46个算法的跟踪实例图

在数据集OTB-100中,有63个视频序列的目标存在不同程度的尺度变化。图4(b)、图4(d)-图4(f)给出了6种算法在Walking2,Singer1,Car4,Dog1这4个存在明显尺度变化的视频序列上的实验结果。从图中可以看出,KCF等一系列跟踪器由于没有使用尺度估计的....

本文编号：3899259