一种尺度自适应的长时目标追踪算法

发布时间：2021-07-13 06:17

　　在长时目标追踪中,传统的核相关滤波算法受到目标尺度变化和环境因素的影响,追踪效果会有所下降。为解决这一问题提出了一种尺度自适应的长时目标追踪算法。首先,为了实现追踪过程中追踪器尺度的自适应,在核相关滤波算法中加入尺度因子池,通过不同尺度下候选目标的响应值判断目标的最佳尺度;其次,为了提高追踪的准确度,通过扩大候选目标的搜索范围,对追踪不准确的目标位置进行重新检测;最后为了提高追踪效率,根据追踪的稳定性决定是否对追踪模板进行更新,从而提高追踪速度,减少过多错误信息的学入。实验结果表明,所提算法相较于其他追踪算法在精确度上提高了15.3%,在成功率上提高了17.1%。 

【文章来源】：科学技术与工程. 2020,20(23)北大核心

【文章页数】：6 页

【部分图文】：

尺度自适应的LKCF算法原理图

由于在后续核函数的运算中要求图像数据具有统一的尺寸大小,因此利用双线性插值方法,将多尺度样本序列全都缩放成初始给定的目标图像的尺寸,获得新的多尺度样本序列集ScaledSamplen,其构建过程如图2所示。1.2 目标尺度估计

图3～图5所示分别是不同设置下追踪结果的成功率折线图、精确度折线图和FPS折线图。从图3～图5中可以看出,当设置3种尺度因子时,算法的成功率和准确度随着间隔的变化表现出较大起伏。说明此时算法的普适性不高,受场景和尺度间隔的影响较大。但由于尺度因子的个数较少,计算量小,因此追踪速度最快。当设置5种或7种尺度因子时,无论是成功率还是准确度,在不同的尺度间隔下都较为稳定。说明此时的算法具有一定的普适性,受场景和尺度间隔的影响小。但是随着尺度因子个数的增加,算法的运算速度也逐渐下降。此外,从图3～图5中可以看出,在5种或7种尺度因子的情况下,算法的成功率和准确度相差较小,但后者的速度仅能基本达到实时追踪的水平,比前者低了约10 FPS。图4 精确度折线图

【参考文献】：
期刊论文
[1]结合目标估计的自适应压缩跟踪[J]. 李国友,张春阳,夏永彬,张凤岭.  小型微型计算机系统. 2019(02)
[2]一种基于核相关滤波的视觉跟踪算法[J]. 黄健,郭志波,林科军.  计算机科学. 2018(S2)
[3]自适应更新上下文相关滤波补充学习跟踪算法[J]. 徐忆菲,申双和,程迪.  科学技术与工程. 2018(18)
[4]在线单目标视频跟踪算法综述[J]. 管皓,薛向阳,安志勇.  小型微型计算机系统. 2017(01)



本文编号：3281525