基于隐马尔可夫模型和分块特征匹配的目标跟踪算法

发布时间：2018-01-31 10:42

本文关键词： 图像处理目标跟踪主成分分析尺度变化 Camshift算法隐马尔可夫模型　出处：《激光与光电子学进展》2017年09期 　论文类型：期刊论文

【摘要】：为解决运动目标跟踪过程中由于遮挡、光照变化、尺度变化等因素导致的目标易丢失以及传统Camshift跟踪算法中跟踪窗口易发散等问题,提出一种融合优化的隐马尔可夫模型(HMM)和分块特征匹配的运动目标跟踪算法。首先,利用主成分分析(PCA)结合特征位置对目标仿射尺度不变特征变换(ASIFT)特征进行降维生成PCA-ASIFT特征,保留目标关键信息;其次,采用粒子滤波最优特征位置优化目标PCA-ASIFT特征的HMM参数;最后,通过HSV直方图模型建立目标分块,赋予不同目标分块相应权重并结合分块特征匹配以改善Camshift算法实现运动目标跟踪。实验结果表明,在自然场景下,本文算法能够取得较好的运动目标跟踪效果,对遮挡、尺度变化等具有较好的稳健性。
[Abstract]:In order to solve the problem that the target is easy to lose in the process of moving target tracking, such as occlusion, illumination change, scale change and so on, and the tracking window is easy to divergence in the traditional Camshift tracking algorithm. This paper proposes a moving target tracking algorithm based on the fusion of the optimized hidden Markov model (HMMM) and block feature matching. The principal component analysis (PCA) combined with feature location is used to reduce the dimension of the target's affine scale invariant feature transformation (sift) to generate the PCA-ASIFT feature and preserve the key information of the target. Secondly, the particle filter is used to optimize the HMM parameters of the target PCA-ASIFT feature. Finally, the HSV histogram model is used to establish the target block, and the corresponding weight is given to the different target block and the block feature matching is combined to improve the Camshift algorithm to achieve moving target tracking. In the natural scene, this algorithm can achieve a better tracking effect of moving targets, and has good robustness to occlusion, scale change and so on.
【作者单位】：常州轻工职业技术学院信息工程系;
【基金】：江苏省自然科学基金(BK20140265) 常州市科技计划项目(CJ20160010)
【分类号】：O211.62;TP391.41
【正文快照】： 自然场景下的运动目标跟踪一直是计算机视觉领域的研究热点。由于在运动目标跟踪的过程中,极易发生目标遮挡、尺度变化以及光照突变等,导致从视频序列图像中难以提取完整的运动目标,可用的目标信息量较少,目标跟踪稳定性差;还会导致目标检测与跟踪算法的运算量较大,运动目标跟

【相似文献】