一种基于特征压缩的目标跟踪方法
发布时间：2021-01-15 23:52
为了能有效应对目标姿态变化、光照变化和运动模糊等场景对目标跟踪问题带来的干扰以及满足系统实时性,提出了一种基于特征压缩的目标跟踪方法,该方法通过随机投影来保存图像特征空间结构,采用稀疏测量矩阵有效压缩多尺度特征空间的特征。将一幅图像分为前景目标和背景,对这两部分采用同样的稀疏测量矩阵进行压缩特征提取,将跟踪任务变为建立一个二值贝叶斯分类器,同时在压缩域上在线更新,实现对目标特征的有效表达和实时、准确的跟踪。实验表明,提出的压缩跟踪算法具有良好的实时性,在VC平台上处理速度可达23 ms/帧,并且在各种具有挑战性的场景目标跟踪任务中,表现出良好的精度和鲁棒性。
【文章来源】：光学与光电技术. 2019,17(04)
【文章页数】：5 页
【部分图文】：
图像的多尺度滤波示意图
其中，w和h是矩形滤波器的长和宽。图像的多尺度滤波示意图如图1所示。OriginalimageZRectanglefilterbankF1?1F1?2Fw?hx1x2x3x4xwhMultiscaleimagerepresentationx=è÷÷÷x1x2?xwh图1图像的多尺度滤波示意图Fig.1Illustrationofmultiscaleimagerepresentation我们将每个滤波后的图像看作是维度为Rwh的列向量，连结这些列向量行程超高维度的多尺度图像特征向量x=(x1?x2??xm)TRm，m=(wh)2如图2所示。Rn′mxvvi=jrijxj图2特征压缩示意图［8］Fig.2Graphicalrepresentationofcompressingfeature［8］我们假设矩阵v中的所有元素相互独立，建立一个朴素贝叶斯分类器如式（4），令H（v）取得最大值的样本为目标在当前帧的样本位置：H(v)=logè÷÷÷÷÷÷i=1kp(vi|y=1)p(y=1)i=1kp(vi|y=0)p(y=0)=i=1klogè÷p(vi|y=1)p(vi|y=0)（4）式中，p(y=1)=p(y=0)，y是一个代表采样样本标签二值变量，y{0?1}。参考文献［9］证明了随机投影理论中高维随机投影向量通常满足高斯分布，因此分类器H（v）中条件概率p(vi|y=1)和p(vi|y=0)满足以下高斯分布：p(vi|y=1)N(μ1i?σ1i)p(vi|y=0)N(μ0i?σ0i)（5）式中，μ1和σ1分别为正样本的均值与标准差，μ0和σ0分别为负样本的均值与标准差。正样本表征着目标，采用密集采样方式获得，负样本表
、负样本集进行多尺度滤波，形成高维特征向量。3）根据式（1）、（2），对高维特征向量矩阵进行随机投影，形成图像的压缩特征矩阵，计算出式（5）中的参数μ1i和σ1i，μ0i和σ0i。后续帧处理如下：1）在以上一帧目标位置为中心，采样半径为10个像素的范围内进行密集采样，作为候选样本集；2）将候选样本代入式（4），令H（V）取得最大值的样本位置为新一帧的目标位置；3）在当前位置执行步骤1），根据式（6）更新正样本集及负样本集，以及相应的均值、方差等参数。算法流程示意图如图3所示。第t帧采样多尺度滤波多尺度特征稀疏测量矩阵压缩特征分类器（a）在第t帧更新分类器第t+1帧多尺度滤波稀疏测量矩阵压缩特征多尺度图像特征分类器（b）在第t+1帧跟踪目标图3压缩跟踪算法流程示意图Fig.3Maincomponentsofthecompressivetracingalgorithm4由粗到精的搜索策略在过去的基于分类器的目标跟踪算法中，大多采用密集采样候选样本的策略，算法计算量与密集采样样本数量息息相关。为了降低算法计算量，提升实时性，本文提出一种由粗到精的搜索策略，首先在前一帧目标位置周围以较大的步长c和搜索半径γc进行搜索。这样比遍历搜索产生的搜索窗数量少，但是定位结果可能略有不准。在此粗搜索的结果周围，再以较小的步长f和搜索半径γf进行搜索，实现精确定位。实验中，我们设定c=4，γc=25，f=1，γf=10，搜索次数为436次，如果采用遍历搜索，即c=1，γc=25，搜索次数为1962次，可见由粗到精的搜索策略大大降低计算量。5仿真及结果分析实验在MATLABR2014a平台上进行，跟踪结果如图4所示。24
本文编号：2979742
【文章来源】：光学与光电技术. 2019,17(04)
【文章页数】：5 页
【部分图文】：
图像的多尺度滤波示意图
其中，w和h是矩形滤波器的长和宽。图像的多尺度滤波示意图如图1所示。OriginalimageZRectanglefilterbankF1?1F1?2Fw?hx1x2x3x4xwhMultiscaleimagerepresentationx=è÷÷÷x1x2?xwh图1图像的多尺度滤波示意图Fig.1Illustrationofmultiscaleimagerepresentation我们将每个滤波后的图像看作是维度为Rwh的列向量，连结这些列向量行程超高维度的多尺度图像特征向量x=(x1?x2??xm)TRm，m=(wh)2如图2所示。Rn′mxvvi=jrijxj图2特征压缩示意图［8］Fig.2Graphicalrepresentationofcompressingfeature［8］我们假设矩阵v中的所有元素相互独立，建立一个朴素贝叶斯分类器如式（4），令H（v）取得最大值的样本为目标在当前帧的样本位置：H(v)=logè÷÷÷÷÷÷i=1kp(vi|y=1)p(y=1)i=1kp(vi|y=0)p(y=0)=i=1klogè÷p(vi|y=1)p(vi|y=0)（4）式中，p(y=1)=p(y=0)，y是一个代表采样样本标签二值变量，y{0?1}。参考文献［9］证明了随机投影理论中高维随机投影向量通常满足高斯分布，因此分类器H（v）中条件概率p(vi|y=1)和p(vi|y=0)满足以下高斯分布：p(vi|y=1)N(μ1i?σ1i)p(vi|y=0)N(μ0i?σ0i)（5）式中，μ1和σ1分别为正样本的均值与标准差，μ0和σ0分别为负样本的均值与标准差。正样本表征着目标，采用密集采样方式获得，负样本表
、负样本集进行多尺度滤波，形成高维特征向量。3）根据式（1）、（2），对高维特征向量矩阵进行随机投影，形成图像的压缩特征矩阵，计算出式（5）中的参数μ1i和σ1i，μ0i和σ0i。后续帧处理如下：1）在以上一帧目标位置为中心，采样半径为10个像素的范围内进行密集采样，作为候选样本集；2）将候选样本代入式（4），令H（V）取得最大值的样本位置为新一帧的目标位置；3）在当前位置执行步骤1），根据式（6）更新正样本集及负样本集，以及相应的均值、方差等参数。算法流程示意图如图3所示。第t帧采样多尺度滤波多尺度特征稀疏测量矩阵压缩特征分类器（a）在第t帧更新分类器第t+1帧多尺度滤波稀疏测量矩阵压缩特征多尺度图像特征分类器（b）在第t+1帧跟踪目标图3压缩跟踪算法流程示意图Fig.3Maincomponentsofthecompressivetracingalgorithm4由粗到精的搜索策略在过去的基于分类器的目标跟踪算法中，大多采用密集采样候选样本的策略，算法计算量与密集采样样本数量息息相关。为了降低算法计算量，提升实时性，本文提出一种由粗到精的搜索策略，首先在前一帧目标位置周围以较大的步长c和搜索半径γc进行搜索。这样比遍历搜索产生的搜索窗数量少，但是定位结果可能略有不准。在此粗搜索的结果周围，再以较小的步长f和搜索半径γf进行搜索，实现精确定位。实验中，我们设定c=4，γc=25，f=1，γf=10，搜索次数为436次，如果采用遍历搜索，即c=1，γc=25，搜索次数为1962次，可见由粗到精的搜索策略大大降低计算量。5仿真及结果分析实验在MATLABR2014a平台上进行，跟踪结果如图4所示。24
本文编号：2979742
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2979742.html
