基于相关滤波器的长时视觉目标跟踪方法

发布时间：2020-01-27 14:48

【摘要】：为解决相关滤波器(CF)在跟踪快速运动目标时存在跟踪失败的问题,提出一种结合了核相关滤波(KCF)跟踪器和基于光流法的检测器的长时核相关滤波(LKCF)跟踪算法。首先,使用跟踪器跟踪目标,并计算所得跟踪目标的峰值响应强度(PSR);然后,通过比较峰值响应强度(PSR)与经验阈值大小判断目标是否跟踪丢失,当目标跟踪丢失时,在上一帧所得目标附近运用光流法检测运动目标,得到目标在当前帧中的粗略位置;最后,在此粗略位置处再次运用跟踪器得到精确位置。与核相关滤波(KCF)、跟踪-学习-检测(TLD)、压缩跟踪(CT)、时空上下文(STC)等4种跟踪算法进行对比实验,实验结果表明,所提算法在距离精确度和成功率上都表现最优,且分别比核相关滤波(KCF)跟踪算法高6.2个百分点和5.1个百分点,表明所提算法对跟踪快速运动目标有很强的适应能力。
【图文】：

中心距离,精确度,检测机制

实验参数再检测模块中，经验阈值T为6，高斯分布σ=i酠N，M、N分别为目标图像块的行、列像素数量。2．1LKCF与KCF对比实验为说明CN颜色特征和再检测机制对提高KCF跟踪效果的作用，本文进行了对比实验。现定义在KCF上只引入CN颜色特征的算法记为cKCF，只引入再检测机制的算法记为rKCF，两者都引入则为本文长时核相关滤波器(LKCF)。实验使用OTB-50数据集［27］中的Deer视频比较KCF、cKCF、rKCF及LKCF性能差异。首先绘制精确度图，如图1所示，并使用20个像素点时的精确度作为评价标准。其次，为直观地呈现个算法的差异，还绘制了中心距离误差图，如图2所示。图1中心距离精确度Fig．1Centerdistanceprecision图2中心距离误差Fig．2Centerdistanceerror从图1可以看出rKCF和LKCF的精度达到了100%，即在所有帧中，跟踪目标的中心坐标与真实标定值之间的欧氏距离都小于20个像素值。KCF的距离精度达到了87%，cKCF为90%，只比KCF多3个百分点，相比而言，在KCF基础上引入再检测机制的rKCF则增加了13个百分点，可看出再检测机制可以显著提高跟踪效果。从图2可以观察到，KCF和cKCF在25帧附近中心距离产生了巨大偏差，而rKCF和LKCF此时表现出色，具体从图3可看出在24帧所有跟踪器都能较准确跟踪，在25帧KCF和cKCF跟踪失败，引入再检测机制的rKCF和LKCF此时却跟踪成功，证明再检测机制对提高跟踪鲁棒性的作用(注:图3中目标框线型对应图1中各跟踪器线型，图3(a)中4个跟踪框重合)。在图2中55

跟踪算法,距离精度,阈值

5290．5230．3560．3640．3860．1730．3640．3700．1450．090Woman0．9970．9360．9380．9360．1910．1660．2040．1590．6150．258均值0．6510．5690．5890．5120．5760．5290．2840．2550．3440．233从表1中可看出，本文算法的距离精确度均值为0．651，成功率均值为0．569，是5种跟踪算法中综合表现最好的，，且分别比KCF高6．2个百分点和5．1个百分点。为更形象地表现测试结果，图4、图5分别给出了5种跟踪算法在15组测试视频中，在不同阈值下的距离精确度和成功率。图45种跟踪算法在不同阈值下的距离精度Fig．4DPof5trackingalgorithmsatdifferentthresholds图55种跟踪算法在不同阈值下的成功率Fig．5SＲof5trackingalgorithmsatdifferentthresholds表2为5种跟踪算法在测试视频序列上的运行速度对比结果，从结果可看出，本文提出的LKCF算法运行速度排名第4，与最快的789．5帧每秒尚有差距，但仍能满足实时跟踪要求。表25种跟踪算法运行速度对比Tab．2Ｒunningspeedcomparisonof5trackingalgorithms算法平均每秒处理帧数算法平均每秒处理帧数LKCF49．3CT106．7KCF270．1STC798．5TLD38．83结语为解决基于相关滤波理论的跟踪器在跟踪快速运动目标时目标丢失问题，本文在核相关滤波(KCF)跟踪算法的基础上引入CN颜色特征及基于光流法的再检测机制，提出了一种长时核相关滤波(LKCF)跟踪算法，该算法可在目标跟踪丢失时重新获得目标并继续跟踪。实验表明，本文算法在距离精确度均值和准确度均值分别比KCF跟踪算法高6．2、5．7个百分点，与近年来4个优秀算法比较，在跟踪快速运动目标时鲁棒性最好，能满足实时跟踪?

【相似文献】