积分商城

最新搜索： RFID SDK HFSS RDA5807 tina microBUCK和microBRICK直流/直流稳压器解决方案
您现在的位置是：首页 > 技术资料 > 基于改进协作目标外观模型的在线视觉跟踪
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于改进协作目标外观模型的在线视觉跟踪

更新时间：2019-12-24 08:04:28 大小：3M 上传用户：zhiyao6查看TA发布的资源 标签：在线视觉跟踪 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

在不受限制的复杂环境中在线跟踪任意类型的感兴趣目标仍是一项极具挑战的难题.本文在无模型跟踪框架基础上提出一种基于改进协作目标外观模型的在线视觉跟踪方法,解决了大多数协作模型类跟踪算法在学习阶段无法有效选择正、负样本的问题.该方法根据人类视觉感知准则将目标边缘信息视为最具区分度的目标特征,提出边缘判别模型并结合动态模型和检测模块建立二级似然匹配空间,为生成模型的似然匹配去除了背景干扰;采用分块策略建立目标生成模型,为模型引入空间结构信息;利用Mean-Shift计算各子块的最终位置和匹配系数,并根据子块匹配系数为遮挡处理和模型更新提供依据.在公开视频序列上同几种流行视觉跟踪算法的对比实验结果证明了本文算法的有效性和优越性.


部分文件列表

文件名 大小
基于改进协作目标外观模型的在线视觉跟踪.pdf 3M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
2
Vol． 45 No． 2  
Feb． 2017  
第
期
电
子
学
报
2017  
2
ACTA ELECTRONICA SINICA  
年
月
基于改进协作目标外观模型的在线视觉跟踪  
1
1
1
2
， ， ，  
宋 涛 李 鸥 刘广怡 崔弘亮  
( 1．  
，
信息工程大学信息系统工程学院 河南郑州  
450002; 2．  
，
南京理工大学自动化学院 江苏南京  
210094)  
:
．
在不受限制的复杂环境中在线跟踪任意类型的感兴趣目标仍是一项极具挑战的难题 本文在无模型跟  
摘
要
，
踪框架基础上提出一种基于改进协作目标外观模型的在线视觉跟踪方法 解决了大多数协作模型类跟踪算法在学习  
、 ． ，  
阶段无法有效选择正 负样本的问题 该方法根据人类视觉感知准则将目标边缘信息视为最具区分度的目标特征 提  
， ;  
出边缘判别模型并结合动态模型和检测模块建立二级似然匹配空间 为生成模型的似然匹配去除了背景干扰 采用分  
， ;  
块策略建立目标生成模型 为模型引入空间结构信息 利用  
Mean-Shift  
，
计算各子块的最终位置和匹配系数 并根据子  
．
块匹配系数为遮挡处理和模型更新提供依据 在公开视频序列上同几种流行视觉跟踪算法的对比实验结果证明了本  
．
文算法的有效性和优越性  
:
;
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
在线视觉跟踪 协作外观模型 人类视觉感知 二级似然匹配空间 模型更新  
TP319 0372-2112 ( 2017) 02-0384-10  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 02． 017  
:
:
A
:
文章编号  
文献标识码  
电子学报  
Online Visual Tracking Based on Improved Collaborative Appearance Model  
1
1
1
2
SONG Tao ，LI Ou ，LIU Guang-yi ，CUI Hong-liang  
( 1． Institute of Information System Engineering，Information Engineering University，Zhengzhou，Henan 450002，China;  
2． School of Automation，Nanjing University of Science and Technology，Nanjing，Jiangsu 210094，China)  
Abstract: It is still a very challenging issue to online track arbitrary targets in the unrestricted complex environment．  
This paper presents an online visual tracking method with improved collaborative appearance model based on model-free  
framework，solving the problem of most other tracking algorithms with collaborative model，which is unable to effectively se-  
lect the positive and negative samples． According to the human visual perception rules，object edge information is regarded as  
the most discriminative feature，on which an edge discriminative appearance model is proposed． In order to remove back-  
ground interference in likelihood matching space for generative model，a two-stage matching space is put forward via integra-  
ting dynamic model，detection module and edge discriminative model． The generative model based on partition strategy is  
constructed for space and appearance information． The final position and matching coefficient of each sub-block are calculat-  
ed by mean-shift，as a basis for occlusion handling and model update． Experimental results using challenging public video se-  
quences show the effectiveness and superiority of the proposed method，compared with other state-of-the-art visual tracking  
approaches．  
Key words: online visual tracking; collaborative appearance model; human visual perception; two-stage likelihood  
matching space; model update  
． ，  
开发以满足不同的应用需求 但在实际应用环境中 由于  
1
引言  
、 、  
光照变化 目标遮挡 视角变化及复杂背景等因素引起的  
，
目标跟踪是计算机视觉领域的关键底层技术 其目  
， 、  
感兴趣目标外观变化 使得构建跟踪精度高 稳定性好的  
、
的是利用视频序列估计感兴趣目标的位置 大小和运动  
．
视觉跟踪算法仍是一项极具挑战性的课题  
， 、 、  
方向等状态 在视觉导航 智能机器人 自动监控和人机  
［1］  
: ( 1)  
一个典型的跟踪算法主要包括两个部分  
目
，
交互等领域有重要的应用价值 越来越多的跟踪算法被  
，
标外观模型 用于表示感兴趣目标并匹配候选目标模  
: 2015-07-07;  
: 2015-10-13; :  
责任编辑 马兰英  
收稿日期  
修回日期  
:
基金项目 国家科技重大专项  
( No． 2014ZX03006003)  
385  
2
:
涛 基于改进协作目标外观模型的在线视觉跟踪  
第
期
宋
; ( 2)  
，
运动模型 预测目标在下一帧内可能出现的位  
14］ ，  
结合生成和判别模型提出鲁棒的协作外观模型 通  
型
． ，  
置 由于感兴趣目标的随机运动模式难以定义 其运动  
，
过融合两类模型的优势来提高目标模板可靠性 但该  
模型只能依赖过去已修正状态近似计算或直接利用随  
类方法的难点在于如何平衡学习阶段两类模型训练样  
( RW，Random-Walk)  
．
进行描述 文献  
［2］  
;
本集之间的比重 过度依赖正样本易导致模型过拟合  
，
机模型  
利用交  
为动态模  
，
( IMM，Interacting Multiple Model)  
，FP( False Positive)  
互多模结构  
模型推广预测能力和区分度下降  
误
，
; ，  
差逐渐增加 反之 过度依赖负样本虽能提高模型区分  
型引入多种运动模式 可以有效处理机动目标 但其计  
，
算量较大且多种运动模型需要预先设定 可推广性差  
．
， /  
度 但模型的鲁棒性 泛化能力下降  
，FN ( False Nega-  
［3］  
文献 在粒子滤波框架中提出双层运动模型来寻找  
tive)  
．
误差逐渐增加  
，
更加可靠的预测点 但该方法无法解决目标不规则运  
，
针对上述问题 本文提出一种基于改进协作目标  
． ，  
动问题 运动模型在跟踪算法中能够起到辅助作用 可  
，
: ( 1)  
外观模型的在线视觉跟踪方法 其核心思想  
提高  
生成模型的可辨别性和唯一性 并给出模型的在线更  
; ( 2)  
，
作为搜索匹配策略的可靠初始位置 并为前景目标关  
，
，
联提供依据 但运动模型无法处理目标间歇运动和全  
新机制以适应目标外观变化  
将判别模型视为生成  
， ．  
遮挡问题 会导致跟踪误差不断累积直到目标丢失 目  
，
模型的辅助机制 为生成模型的匹配空间去除背景干  
，
标外观模型是跟踪算法的核心部分 对跟踪性能起决  
， 、 ． :  
扰 且无需正 负样本的学习过程 具体过程 利用动态  
;
定性作用 建立鲁棒的外观模型是当前主流跟踪算法  
，
模型和检测模块建立第一级粗粒度匹配空间 防止目  
． ［4 ～ 6］ 、  
重点研究的内容 文献 分别针对面部 行人和车  
; ，  
标发生大幅度漂移 在第一级匹配空间内 利用目标边  
， ，  
辆建立专属模型 虽然提高了跟踪精度 但应用范围有  
，
缘像素点提出边缘判别模型 给出第二级细粒度匹配  
． ，  
限 近些年 不受目标类型限制的无模型跟踪算法得到  
， (  
空间 去除了大量背景信息 尤其是复杂的背景纹理  
) ，  
， ，  
广泛关注 其外观模型的构建方式主要包括两类 生成  
;
提高了生成模型的匹配精度和效率 采用分块策略建  
． ，  
型和判别型 其中 生成模型通过建立目标特征模板将  
， ;  
立目标生成模型 为模型引入空间结构信息 利用改进  
跟踪问题转化为在下一帧中寻找与目标模板最相似的  
( LBP，Local Binary Pattern)  
的局部二进制特征  
子块的核函数直方图模型 在似然匹配空间利用  
Shift  
构建每个  
Mean-  
迭代计算各子块的最终位置和匹配系数 根据子  
． ，  
候选区域 这类方法易陷入局部极值 当目标外观发生  
，
， ． ［7］  
较大变化时 模型失效 文献 利用目标颜色信息建  
;
，
立核函数加权的直方图模型 该方法对半遮挡和目标  
．
块匹配系数为遮挡处理和模型更新提供依据 在实验  
，
旋转不敏感 但在光照变化干扰下易发生漂移问题且  
，
分析阶段 本文通过三组对比实验证明了本文算法在  
． ［8］  
模型缺乏更新机制 文献 在稀疏表达框架的基础上  
．
复杂应用场景中的优越性和有效性  
，
建立了多特征融合模型 提高了模型鲁棒性和跟踪精  
2
生成模型和判别模型的问题分析  
， ， ． ［9］  
度 但模型比较复杂 计算量大 文献 采用局部背景  
，
本文从实际应用角度出发 重点研究在不受限制  
，
加权的直方图模型去除目标窗口内的背景信息 该算  
，
的复杂环境中在线跟踪任意类型目标的跟踪算法 算  
，
法增强了模型在复杂环境中的区分度 但额外背景信  
息的引入增加了模型复杂度且无法处理相似背景干  
，
法没有任何离线处理部分和先验知识 只能依靠初始  
帧手动选择或检测得到的有限目标样本和其邻域的背  
1( a)  
． ，  
扰 判别模型将目标跟踪转化为二值分类问题 通过目  
(
)
景样本训练目标模型 如图  
所示 并确定目标在  
标样本和背景样本训练分类器将目标从背景中提取出  
．
下一帧出现的位置 在线视觉跟踪算法可视为小样本  
．
来 文献  
［10］ P-N  
在结构约束条件 下提出 基 于在线  
，
情况下的半监督类机器学习问题 根据统计学习理论  
( Positive-Negative Constraints)  
学习的半监督二值分类  
，
器 在模型更新阶段利用未标注数据提高了分类器性  
，
的经验风险最小归纳原理 因有限样本导致的期望误  
．
， ．  
能 跟踪过程中能自适应学习目标外观变化 文献  
［11］  
差无法避免  
R( w)  
R
( w) + ( h，n  
φ
)
( 1)  
( w)  
和置信  
P-N  
，
学习框架基础上提出基于检测的跟踪方法 在不  
≤
在
emp  
train  
，R( w) ， R  
表示实际风险 由经验风险  
，
需要任何先验知识的前提下 能够长时间有效跟踪目  
其中  
emp  
( h，n  
)
．
组成 在有限训练样本  
n
，
的条件下 初  
train  
． ［12］  
标 文献 提出多实例学习算法  
( MIL，Multiple In-  
界限 φ  
train  
，
始帧训练得到的目标模型复杂性越高 其置信界限就  
stances Learning) ， ，  
不同于传统单实例学习 该算法利用  
， ，  
越大 导致真实风险与经验风险之差越大 即目标模型  
，
目标邻域的多个样本组成训练子集来更新分类器 提  
． ， ，  
过拟合 所以 越复杂的训练模型其泛化能力越差 初始  
．
高了分类精度 但上述判别跟踪方法都过度依赖学习  
，
算法 其通过空间约束或结构约束假设更新阶段标注  
帧得到的生成或判别目标模型均无法处理后续帧中不  
，
可预知的模型变化 必须依靠合理的模型更新或学习  
， ，  
的训练样本具有高可信度 当训练样本出现误差时 分  
． (  
策略在线校正初始模型 如何选择有效的更新样本 正  
．
类器误差逐渐累积导致分类性能迅速恶化 文献  
［13，  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号