多特征融合的混合模型视频跟踪算法

发布时间：2020-06-01 14:27

【摘要】：为克服传统目标跟踪算法特征表示单一、局部结构信息利用不足等问题,提出了一种多特征融合的混合模型跟踪算法.算法首先将像素的局部外观模型和全局颜色直方图、方向梯度直方图模板进行融合,构建一种鲁棒性强的混合外观模型,然后提出一种新的离群检测策略,该策略将系数矩阵分成两个相关的部分并采用l2,1规范求解.标准测试集上的实验结果表明,本文算法在处理光照变化和遮挡等场景时具有更高的跟踪精度和鲁棒性.
【图文】：

定量分析实验1用来评价第2部分提出的采用不同外观模型特征融合的效果．此部分进行了三个对比实验，一个仅利用了像素表1与MTMVTLS比较的覆盖率(%)的平均值Table1Averageoverlaprate(%)comparisonwithMTMVTLScar11david2trellisskatingshakingsinger2cokecrossingMTMVTLS5777605173712275Ours8487736176737079footballfreeman1david3workingfaceocc2subwayAUCscoreDPscoreMTMVTLS59395457656149．666Ours73506464766749．466．2特征的局部外观模型，另一个采用颜色和HOG特征的全局模型，最后一个将两者融合在一起．图1显示了多特征融合的混合模型在视频跟踪中的效果．仅利用其中一个特征模型的跟踪算法获得的曲线下的面积(AUC)值分别是40．6%和32．1%，将两个特征模型融合之后结果提升到49．4%．实验1表明特征融合和对不同的特征采用不同的外观模型在提升跟踪效果方面起着重要的作用．表28个跟踪算法的覆盖率(%)的平均值Table2Averageoverlaprate(%)ofeighttrackingmethodsASLAMTTSCMLIAPGIVTStruckMILOursfaceocc13369787472725977david34310393748295364subway197711616656467car118381828665872084singer254174445173crossing7719772131677279david28884738469854587freeman12721612043343550skating491047106311361coke1744321812662170football4954405655666573faceocc26473726872776676shaking47496884364376Trellis7922672125612573speed210．521615283图1不同特征的不同外观模型和将其融合在一起的结果Fig．1Ｒesultsofdifferentfeatureswithdifferentmodelsandthecombinationofthem实验2为了证明拒绝离值点在提升

131677279david28884738469854587freeman12721612043343550skating491047106311361coke1744321812662170football4954405655666573faceocc26473726872776676shaking47496884364376Trellis7922672125612573speed210．521615283图1不同特征的不同外观模型和将其融合在一起的结果Fig．1Ｒesultsofdifferentfeatureswithdifferentmodelsandthecombinationofthem实验2为了证明拒绝离值点在提升本文跟踪效果中的作用，，本文进行一组去除离值点处理的对比试验．如图2所示，较之不带离值点处理的跟踪算法AUC值为47．5%，本文算法得到的AUC值是49．4%．实验结果表明，在本文的跟踪算法中应该考虑离值点的存在．图2带有和不带离值点处理的跟踪结果Fig．2Ｒesultscomparingthetrackerwithandwithoutoutlierhanding图3和8个比较先进的跟踪算法比较的成功图和精度图Fig．3Successandprecisionplotscomparedtoother8state-of-the-arttrackingmethods最后，将本文提出的算法和其它8个比较先进的跟踪算12期王琳等:多特征融合的混合模型视频跟踪算法2691

【相似文献】

相关期刊论文 前10条

1 初红霞;王科俊;王希凤;郭庆昌;韩晶;;多特征融合的退火粒子滤波目标跟踪[J];计算机工程与应用;2011年06期

2 顾鑫;王海涛;汪凌峰;王颖;陈如冰;潘春洪;;基于不确定性度量的多特征融合跟踪[J];自动化学报;2011年05期

3 姚红革;杜亚勤;;基于多模式多特征融合粒子滤波视频目标跟踪[J];西安工业大学学报;2012年11期

4 王兰;;基于多特征融合的票据分类技术及应用[J];计算机光盘软件与应用;2013年13期

5 陈增照;何秀玲;杨扬;董才林;;基于多特征融合的票据分类技术及应用[J];计算机工程与应用;2006年09期

6 周斌;林喜荣;贾惠波;宋榕;;多特征融合的手背血管识别算法[J];清华大学学报(自然科学版);2007年02期

7 刘贵喜;范春宇;高恩克;;基于粒子滤波与多特征融合的视频目标跟踪[J];光电子.激光;2007年09期

8 胡全;邱兆文;王霓虹;;基于多特征融合的图像语义标注[J];东北林业大学学报;2008年10期

9 沈才梁;许雪贵;许方恒;龙丹;;多特征融合的人脸检测[J];计算机系统应用;2009年11期

10 刘红;王晔;雷长海;;基于多特征融合的中医舌像检索研究[J];计算机应用研究;2010年02期

相关会议论文 前6条

1 叶锋;蔡光东;郑子华;亓晓旭;尹鹏;;基于多特征融合的药用植物标本识别[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

2 段其昌;季长有;;基于多特征融合的快速人脸检测[A];第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（上册）[C];2007年

3 李玉峰;郑德权;赵铁军;;基于SVM和多特征融合的图像分类[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

4 沈乐君;;基于混合模型的多目标实时跟踪算法[A];2013体育计算机应用论文集[C];2013年

5 汪传建;李晓光;王大玲;于戈;;一种基于混合模型的文本分类器的研究与实现[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

6 徐斌;马尽文;;一种柯西混合模型上梯度型BYY和谐学习算法[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

相关重要报纸文章 前1条

1 ;变化中的分支机构[N];网络世界;2007年

相关博士学位论文 前9条

1 刘明华;复杂环境下基于多特征融合的目标跟踪关键技术研究[D];青岛科技大学;2016年

2 SAEED-UR-REHMAN;基于机器学习的排序优化及其在行人再识别中的应用研究[D];中国科学技术大学;2017年

3 田纲;基于多特征融合的Mean shift目标跟踪技术研究[D];武汉大学;2011年

4 徐志刚;基于多特征融合的路面破损图像自动识别技术研究[D];长安大学;2012年

5 陈秀新;多特征融合视频复制检测关键技术研究[D];北京工业大学;2013年

6 初红霞;基于均值移动和粒子滤波的目标跟踪关键技术研究[D];哈尔滨工程大学;2012年

7 李斌;概率混合模型的研究及其应用[D];复旦大学;2009年

8 王先文;基于偏斜t混合模型的流式数据细胞类群自动识别算法研究[D];中国人民解放军军事医学科学院;2015年

9 陈思宝;基于t-混合模型和扩展保局投影的聚类与降维方法研究[D];安徽大学;2006年

相关硕士学位论文 前10条

1 张岩;基于多特征融合及二部图匹配的3D目标检索技术研究[D];哈尔滨工业大学;2015年

2 计明明;基于多特征融合的三维模型检索技术[D];浙江大学;2015年

3 王庆;基于多特征融合的人体动作识别方法研究[D];上海大学;2015年

4 刘婕;复杂场景多特征融合粒子滤波目标跟踪[D];重庆理工大学;2015年

5 崔剑;基于多特征融合的分级行人检测方法研究[D];电子科技大学;2015年

6 王建荣;基于多特征融合的无人机航拍图像识别研究[D];成都理工大学;2015年

7 高爽;基于多特征融合的粒子滤波跟踪算法研究[D];西安电子科技大学;2014年

8 坎启娇;基于多特征融合的多目标跟踪算法[D];河北工业大学;2015年

9 张小琴;基于多特征融合的车辆品牌识别方法研究[D];东南大学;2015年

10 谢振哲;图像通用隐写检测中的多特征融合方法[D];福州大学;2013年

本文编号：2691616