自适应特征融合的核相关滤波跟踪算法

发布时间：2020-02-02 02:37

【摘要】：为解决单一特征目标跟踪算法因光照变化、目标遮挡导致的跟踪失败问题,提出一种自适应加权融合颜色属性特征和方向梯度直方图特征的核相关滤波目标跟踪算法.首先根据目标颜色属性特征和方向梯度直方图特征,采用核相关滤波方法获得2种特征下目标的预测位置;然后分别计算2个目标位置的核相关滤波响应值,据此响应值大小按比例分配目标位置权重,获得目标的最终预测位置,提高了目标定位的精度;最后采用相邻2帧图像的平均差来分析图像的变化率,按变化率分段调整分类器的学习速率,解决目标遮挡导致的跟踪失败问题.在9组标准测试视频集下验证文中算法,并与3种核相关滤波跟踪算法进行比较的结果表明,与其中最优算法相比,该算法跟踪目标的平均中心位置误差减少16.78个像素,平均距离精度提高11.01%,平均重叠精度提高14.87%;在目标严重遮挡情况下,该算法依然能够稳定地跟踪目标.
【图文】：

中心真实值之间的平均欧氏距离,DP定义为中心位表1实验中的测试视频测试视频帧数目标大小面临的主要挑战CarScale25226×42尺度变换,遮挡Crossing12050×17光照变换,背景复杂,旋转David3252131×35遮挡,背景复杂,旋转Dog1135036×51尺度变换,低分辨率Lemming1336103×61遮挡,尺度变换,旋转Jogging307101×25遮挡,背景复杂Subway17551×19遮挡,旋转Walking41279×24尺度变化,变形Walking2500115×31尺度变化,遮挡,低分辨率a.CarScaleb.Crossingc.David3d.Dog1e.Joggingf.Lemmingg.Subwayh.Walkingi.Walking2图19组测试视频第1帧画面置误差小于某一阈值的帧数占视频总帧数的百分比,OP定义为边界框重叠的地方超过一个阈值的帧数占视频总帧数的百分比.DP和OP的值越大,说明符合条件的帧数越多,即跟踪效果越好.本文共设计了3组实验,第1组实验在9组测试视频上对比现有的3种相关滤波跟踪算法(基于灰度特征的CSK算法[9]、基于颜色属性特征的CN算法[10]及基于HOG特征的KCF算法[11])和本文算法的跟踪效果;第2组实验对比4种跟踪算法的速度;第3组实验测试4种算法在目标发生严重遮挡的3组测试视频的跟踪效果.实验1.跟踪效果对比实验对9组复杂视频进行实验,验证本文算法和现有的3种相关滤波跟踪算法的效果.为了比较的公平性,在所有的实验中,4种算法均采用高斯核函数,0.15;搜索区域取2.5倍目标大小;除本文算法采用分段学习速率参数外,其他算法采用固定学习速率0.025.实验结果如表2所示,其中

第6期熊昌镇,等:自适应特征融合的核相关滤波跟踪算法1073图23组严重遮挡视频的(DP)曲线图表43组遮挡视频序列各算法平均对比结果跟踪算法平均CLE/像素平均DP/%平均OP/%CSK137.730.329.2CN116.226.424.7KCF60.854.856.5本文6.694.192.0第50帧遇到遮挡第75帧遮挡结束a.Jogging视频第348帧遇到遮挡第380帧遮挡结束b.Lemming视频第40帧遇到遮挡第50帧遮挡结束c.Subway视频CSK算法;CN算法;KCF算法;本文算法图3存在严重遮挡时3组视频各种算法跟踪结果本文算法仍能有效地跟踪目标;Subway视频在第40帧遇到严重遮挡到第50帧遮挡结束时,本文算法和KCF算法依然可以准确跟踪目标,但是其他2种算法都发生了跟丢情况.结果表明,在目标遇到严重遮挡时,本文算法可以更加准确地跟踪目标.以上实验结果表明,本文算法具有更高的跟踪精度,可有效地解决目标严重遮挡造成的跟踪失败问题.4结语本文对核相关滤波目标跟踪算法进行了2点改进,提出了融合CN特征和HOG特征的目标位置预测方法,根据跟踪目标的相关滤波响应值自适应地分配预测目标位置的权重,提高了目标跟踪算法的精度;设计了一种依据视频图像的变化情况分段调整学习速率的方法,可以很好地解决目标遮挡等问题.采用9组复杂视频对算法进行了实验的结果表明,本文算法的目标跟踪平均CLE为9.27像素,平均DP为88.34%,平均OP为74.2%;同其他3种核相关滤波目标跟踪算法中表现最优的KCF算法相比,平均CLE减少了16.78像素,平均DP增加了11.01%,平均OP增加了14.87%.在目标发生严重遮挡的情况下,本文算法仍能稳定地跟踪目标,获得了更稳定和更高精度的跟踪结果.由于本文算法同时采用HOG特征和CN特征,造成了跟踪速度下降,但仍可以达到实时跟踪的要求,将来可进一步分析影响跟踪速度的各个因素

【相似文献】

相关期刊论文 前10条

1 周斌;林喜荣;贾惠波;周永冠;;量化层多生物特征融合的最佳权值[J];清华大学学报(自然科学版);2008年02期

2 丁宝亮;;基于局部特征融合的人脸识别研究[J];中国新技术新产品;2012年14期

3 刘增荣;余雪丽;李志;;基于特征融合的图像情感语义识别研究[J];太原理工大学学报;2012年05期

4 黄双萍;俞龙;卫晓欣;;一种异质特征融合分类算法[J];电子技术与软件工程;2013年02期

5 卞志国;金立左;费树岷;;特征融合与视觉目标跟踪[J];计算机应用研究;2010年04期

6 韩萍;徐建龙;吴仁彪;;一种新的目标跟踪特征融合方法[J];中国民航大学学报;2010年04期

7 何贤江;何维维;左航;;一种句词五特征融合模型的复述研究[J];四川大学学报(工程科学版);2012年06期

8 刘冬梅;;基于特征融合的人脸识别[J];计算机光盘软件与应用;2013年12期

9 李建科;张辉;赵保军;张长水;;彩色分量流形特征融合的人脸识别[J];北京理工大学学报;2014年05期

10 高秀梅,杨静宇,宋枫溪,杨健;一种基于特征融合的人脸识别新方法[J];计算机应用研究;2003年11期

相关会议论文 前5条

1 刘冰;罗熊;刘华平;孙富春;;光学与深度特征融合在机器人场景定位中的应用[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

2 翟懿奎;甘俊英;曾军英;;基于特征融合与支持向量机的伪装人脸识别[A];第六届全国信号和智能信息处理与应用学术会议论文集[C];2012年

3 卞志国;金立左;费树岷;;基于增量判别分析的特征融合与视觉目标跟踪[A];2009年中国智能自动化会议论文集（第三分册）[C];2009年

4 韩文静;李海峰;韩纪庆;;基于长短时特征融合的语音情感识别方法研究[A];第九届全国人机语音通讯学术会议论文集[C];2007年

5 孟凡洁;孔祥维;尤新刚;;基于特征融合的相机来源认证方法[A];全国第一届信号处理学术会议暨中国高科技产业化研究会信号处理分会筹备工作委员会第三次工作会议专刊[C];2007年

相关博士学位论文 前8条

1 陈倩;多生物特征融合身份识别研究[D];浙江大学;2007年

2 蒲晓蓉;多模态生物特征融合的神经网络方法[D];电子科技大学;2007年

3 王志芳;基于感知信息的多模态生物特征融合技术研究[D];哈尔滨工业大学;2009年

4 王楠;基于多视觉特征融合的后方车辆检测技术研究[D];东北大学　;2009年

5 徐颖;基于特征融合与仿生模式的生物特征识别研究[D];华南理工大学;2013年

6 张艳;基于柔性阵列 传感器的足迹特征分析与应用研究[D];安徽大学;2015年

7 孙兴华;基于内容的图像检索研究[D];南京理工大学;2002年

8 王林泓;热释电红外信号特征分析及人体识别方法研究[D];重庆大学;2010年

相关硕士学位论文 前10条

1 付艳红;基于特征融合的人脸识别算法研究与实现[D];天津理工大学;2015年

2 许超;基于特征融合与压缩感知的实木地板缺陷检测方法研究[D];东北林业大学;2015年

3 杨文婷;基于微博的情感分析算法研究与实现[D];西南交通大学;2015年

4 梅尚健;基于特征融合的图像检索研究与实现[D];西南交通大学;2015年

5 王鹏飞;基于多慢特征融合的人体行为识别研究[D];西南大学;2015年

6 薛冰霞;基于多模特征融合的人体跌倒检测算法研究[D];山东大学;2015年

7 何乐乐;医学图像分类中的特征融合与特征学习研究[D];电子科技大学;2015年

8 戴博;基于结构复杂度特征融合的视觉注意模型研究及其应用[D];复旦大学;2014年

9 王宁;基于特征融合的人脸识别算法[D];东北大学;2013年

10 岳求生;基于特征融合的静态图像行人检测[D];长沙理工大学;2014年

，

本文编号：2575584