基于Struck的在线学习和相似度匹配的双重更新跟踪算法

发布时间：2021-07-18 15:11

　　针对Struck算法在遇到完全遮挡后难以恢复目标的跟踪问题,提出了利用双重更新策略对目标进行跟踪的算法。首先标定首帧中目标的所在位置,提取目标特征作为初始模板。其次,设计相似函数判别当前帧目标区域与初始模板的相似度,超过阈值的区域选为正样本加入到在线学习的过程。最后,当目标遇到完全遮挡时,通过遍历搜索的方式寻找与目标相似的图像块,选择超过阈值中相似度最高的图像块作为目标继续跟踪。实验结果表明,改进后的算法可以更好地解决因遮挡或背景相近等复杂条件引起的目标跟踪丢失的问题。 

【文章来源】：山东科技大学学报(自然科学版). 2019,38(06)北大核心

【文章页数】：7 页

【部分图文】：

视频序列的测试结果

跟踪过程中的目标偏移程度如图3所示。Girl视频序列中，Struck算法在120帧处，由于遮挡的原因已经跟踪失败，当目标被完全遮挡再次出现在视野中时，不能恢复对原目标的跟踪；双重更新跟踪算法利用双重更新策略，可以继续跟踪目标。Cup视频序列中，从第26帧到48帧目标被完全遮挡，消失在视野中，两种算法均无法捕获目标特征，在第54帧目标再次出现并具有明显特征时，双重更新跟踪算法可以再次获取目标位置，继续跟踪目标；而Struck算法仅在第90帧目标重新运动到被完全遮挡前的位置时，才可以继续跟踪目标。4 结论

由于Struck算法的速度较慢，对其跟踪框架进行整体优化。Struck算法的在线学习更新需要不断学习正样本来适应目标的特征变化，对支持向量的需求比较大，通常设为100。虽然Struck算法中限制了支持向量的无限增长，但仍然允许保持相当的数量，从而降低了算法的跟踪速度。而本研究设计的相似函数和在线学习作为双重更新策略，不需要很多的支持向量来维持在线学习中正样本的有效性，减少了跟踪框架中对支持向量的需求，支持向量个数设为50，为程序的运行释放出更多的缓存空间。在对图像进行遍历搜索时，滑动窗口由1×1像素扩大为3×3像素，步长为1个像素，目的在于弱化边缘像素点的特征，强化中心点的特征。滑动窗口只有1个，输出的通道数为1。在对图像的特征提取时，Haar特征首先对图像进行灰度化处理，弱化颜色特征对目标辨识的影响，输入的通道数由原来的RGB颜色空间的3通道减少为灰度图像的1通道。通过设计相似函数改变参数设置，从而达到提高双重更新跟踪算法运行速度的目的。3 测试和实验分析

【参考文献】：
期刊论文
[1]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋.  模式识别与人工智能. 2018(01)
[2]加权间隔结构化支持向量机目标跟踪算法[J]. 江少杰,宁纪锋,李云松.  中国图象图形学报. 2017(09)
[3]融合遮挡检测与HOG特征协作表示的鲁棒人脸识别[J]. 高秀洋,房胜,李哲.  山东科技大学学报(自然科学版). 2017(01)
[4]基于二值特征和结构化输出支持向量机的目标快速跟踪算法[J]. 李新叶,孙智华,陈明宇.  计算机应用. 2015(10)
[5]基于Hough变换及SIFT特征提取的图像匹配方法[J]. 苗彩霞,纪筱鹏.  山东科技大学学报(自然科学版). 2014(04)



本文编号：3289824