积分商城

最新搜索： modelsim Vxworks 18B20 库 PCB EndNote 质量管理
您现在的位置是：首页 > 技术资料 > 基于最大池图匹配的形变目标跟踪方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于最大池图匹配的形变目标跟踪方法

更新时间：2019-12-24 19:10:52 大小：4M 上传用户：zhiyao6查看TA发布的资源 标签：视觉目标跟踪 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

该文提出了一种基于最大池图匹配的形变目标跟踪算法,适用于跟踪目标产生较大形变或者严重遮挡等场合.此方法首先将目标搜索区域过分割为候选目标部件并建立动态图表示,即目标部件的表象特征和它们之间的几何位置关系.然后采用最大池图匹配算法,得到目标图和候选图中部件的匹配关系,从而确定出目标位置的置信图.联合考虑目标整体和目标部件对目标位置的支持,投票决定出精确的目标位置.在各种形变目标的跟踪序列测试下,该算法与其他跟踪器的对比验证了其有效性和鲁棒性.


部分文件列表

文件名 大小
基于最大池图匹配的形变目标跟踪方法.pdf 4M

部分页面预览

（完整内容请下载后查看）
3
Vol. 45 No. 3  
Mar. 2017  
第
2017  
期
电
子
ACTA ELECTRONICA SINICA  
学
报
3
年
月
基于最大池图匹配的  
形变目标跟踪方法  
，
，
王治丹 蒋建国 齐美彬  
(
，
230009)  
合肥工业大学计算机与信息学院 安徽合肥  
:
，
该文提出了一种基于最大池图匹配的形变目标跟踪算法 适用于跟踪目标产生较大形变或者严重遮挡  
摘
要
.
，
等场合 此方法首先将目标搜索区域过分割为候选目标部件并建立动态图表示 即目标部件的表象特征和它们之间的  
.
，
，
.
几何位置关系 然后采用最大池图匹配算法 得到目标图和候选图中部件的匹配关系 从而确定出目标位置的置信图  
，
.
，
联合考虑目标整体和目标部件对目标位置的支持 投票决定出精确的目标位置 在各种形变目标的跟踪序列测试下  
.
该算法与其他跟踪器的对比验证了其有效性和鲁棒性  
:
;
;
关键词  
中图分类号  
URL: http: / /www. ejournal. org. cn  
视觉目标跟踪 动态图表示 最大池图匹配  
:
TP751  
:
A
:
0372－2112 ( 2017) 03－0704－08  
文章编号  
DOI: 10. 3969 /j. issn. 0372－2112. 2017. 03. 030  
文献标识码  
电子学报  
Deformable Object Tracking Based on  
Max-pooling Graph Matching  
WANG Zhi－dan，JIANG Jian－guo，QI Mei－bin  
( School of Computer and Information，Hefei University of Technology，Hefei，Anhui 230009，China)  
Abstract: This paper develops a novel deformable object tracking algorithm based on max－pooling graph matching，  
which can be applied in the scenes with large deformations and severe occlusions. The dynamic graph is built based on  
candidate parts extracted by over－segmentation method from searching area，namely feature representation of candidate  
parts and geometric structure between them. Based on max－pooling graph matching method，the matching relations be－  
tween target parts and candidate parts are found to calculate the confidence map of target location. Considering both the  
support of holistic target and local parts，the optimal target location can be determined. Compared to state－of－the－art meth－  
ods，experimental results on several deformable sequences demonstrate the effectiveness and robustness of the proposed  
method.  
Key words: visual tracking; dynamic graph representation; max－pooling graph matching  
［5］  
间学习［4］以及  
模型 等 由于存在目标形变和遮  
SVM  
.
1
引言  
，
挡 很多固定尺度的跟踪器在跟踪过程中会引入背景  
，
视觉跟踪作为计算机视觉领域的基础问题 在各  
，
.
噪声或者丢失前景信息 导致跟踪失败 为增强其适应  
［6 ～ 8］  
，
、
方面都取得了重要应用 比如视频监控 轨迹分析以及  
.
人机交互等 尽管之前研究者设计出各种算法并取得  
，
.
［6］  
度 一些基于部件的跟踪器  
不断被提出 文献  
基
［17］  
SLIC  
，
过分割算法 将目标分割成超像素目标部件  
.
于
，
、
重要进展 但是由于目标在跟踪过程中出现剧烈形变  
建立表象模型来区分前景和背景区域 但是由于较少  
、
，
严重遮挡 不规则运动以及尺度变化等情况 对形变目  
.
，
考虑目标部件之间的结构信息 当前景和背景表象相  
标的跟踪仍然是一项棘手的工作  
.
，
［7］  
似时容易混淆目标 在此基础上 文献 综合考虑结  
之前方法大多基于目标整体模型建立复杂的特征  
，
构信息 基于频谱分析算法将跟踪问题转化为图匹配  
［1 ～ 3］  
，
，
子空  
表达来描述目标的表象变化 比如稀疏表示  
，
.
，
问题 频谱分析算法的精度决定了跟踪效果 相似地 文  
: 2015－08－21;  
: 2016－06－05;  
:
收稿日期  
修回日期  
责任编辑 梅志强  
:
( No. 61371155) ;  
( No. 1301b042023)  
基金项目 国家自然科学基金  
安徽省科技攻关项目  
705  
3
:
王治丹 基于最大池图匹配的形变目标跟踪方法  
第
期
［8］  
，
献
利用目标结构信息 训练了一个在线的结构化隐  
2． 2  
提取动态图节点  
如果采用目标搜索区域中所有超像素候选部件作  
SVM  
.
模型来预测目标中各部件的位置 但是由于假  
式
，
，
，
设目标尺度不变 当目标发生形变的时候会出现跟踪  
为图节点 不仅会提高计算复杂度 也会引入不必要的  
．
.
背景噪声 所以首先采用图像分割方法得到粗略的前  
困难  
，
，
景区域 尽可能地滤掉背景噪声 再收集相对可信的候  
考虑到跟踪目标可能会出现巨大形变和面临严重  
［11］  
．
选目标部件作为图节点 根据图割  
( Graph Cut)  
，
算法  
，
遮挡 本文提出了基于部件的最大池图匹配的跟踪方  
( Markov Random Field，MRF)  
建立基于马尔科夫随机场  
( Max－pooling Graph matching based Tracker，MGT) .  
法
首
:
的前景分割的能量方程  
，
先对于目标搜索区域 算法基于图像分割技术提取出  
，
候选目标部件建立候选图 并与建立好的目标图模型  
E( f | M) = D( f M) +  
V
( f ，f )  
( 2)  
( f ，f )  
分别为分割模型的一元能  
p，q  
∑
p
∑
p，q  
p
q
p
P
p，q  
N
∈
∈
.
进行匹配 其次采用更为精确的最大池  
( max－pooling)  
图
D( f | M)  
V
其中  
量项  
和
p
p
q
，
匹配方法 建立起目标图和候选图之间的部件匹配关  
( unary energy)  
( binary energy) ． f  
和二元能量项  
P
为
∈
否
.
系 在 此 基 础 上 得 到 目 标 位 置 的 置 信 图  
( confidence  
，f  
候选目标部件集合 在当前目标搜索区域的标签  
p
map) ，  
.
，
通过采样确定目标的最优位置 最后 为了避免  
{ 0，1} f = 1  
，
p
为指示函数 当候选部件 属于前景时  
p
，
仅考虑局部目标部件的贡献造成的鉴别力不够 引入  
f = 0．  
p
M，  
图像分割的表象模型记为 包含归一化后的  
hsv  
则
，
了整体目标的特征表达参与目标位置投票 以提高跟  
svm  
HSV  
M
SVM  
M
．
颜色直方图  
和线性  
分类器  
.
:
踪鲁棒性 本文的主要贡献 提出了基于最大池图匹配  
2． 2． 1  
一元能量项  
，
方法的形变目标跟踪算法 同时考虑整体目标和目标  
能量方程的一元能量项表示候选目标部件属于前  
HSV  
，
部件对目标位置的支持 并基于目标位置置信图采样  
，
景的似然性 由目标部件的  
颜色直方图模型和  
.
策略获得最优的目标位置  
SVM  
，
:
鉴别式模型生成 计算公式如下所示  
hsv  
hsv  
svm  
svm  
D ( f | M) =  
D
( f | M ) +  
hsv  
D
λ
2
( f | M ) ( 3)  
λ
p
p
1
p
p
p
p
2
本文提出的方法  
． D  
p
为部件 中像素属于模  
其中 λ 和 λ 为平衡系数  
1
2
p
，
在目标出现较大形变或者严重遮挡的时候 目标  
hsv  
hsv  
hsv  
M
= { M ，M  
}
( generative energy) ，  
产生式能量 计  
型
b
f
．
形状 会 发 生 剧 烈 变 化 如 果 使 用 整 体 框  
( bounding  
:
算公式如下  
box)  
，
来描述目标 势必会滤掉部分前景或者引入背景  
np  
1
，
．
［9，10］  
－
H ( c ) ， f = 1  
噪声 无法给出精确的目标表达 文献 认为目  
∑
f
i
p
n
i = 1  
p
hsv  
hsv  
D
( f | M ) =  
( 4)  
，
标在运动过程中其局部部件的结构不变性得以保持  
p
p
np  
1
{
．
，
并取得良好效果 根据此假设 本文基于动态图结构  
－
H ( c ) ， f = 0  
∑
b
i
p
n
i = 1  
p
，
(
) ，  
表示目标部件 即目标部件的表象特征 表象信息  
hsv  
f
hsv  
M
M
HSV  
，
颜色直方图 其  
其中  
c
和
分别为前景和背景  
HSV  
b
(
) ．  
以及他们之间的相对位置关系 结构信息 然后采用  
i
为像素 在  
，n  
为部件  
p
中
颜色直方图中对应值  
i
p
最大池图匹配方法找到目标图和当前搜索区域内候  
． H ( c )  
H ( c )  
分别为 在前景模  
svm  
c
中包含的像素个数  
和
f
i
b
i
i
，
选图之间各部件的匹配关系 从而帮助定位出目标  
( likelihood) ． D  
型和背景模型中的似然估计值  
为通过  
( discriminative energy) ，  
计算得到的鉴别式能量  
p
．
位置  
svm  
M
模型  
2． 1  
建立动态图结构  
SVM  
p
，
即
分类器鉴别候选部件 的前景分数 如下式所  
．
动态图结构模型主要是用以描述目标部件的表象  
．
示 平衡参数 λ 可以控制引入的候选部件的数量  
3
．
G =  
特征和他们之间的空间位置关系 我们定义动态图  
( V，E) ， : ( 1) ( graph node) v V，  
代表了  
svm  
svm  
svm  
svm  
ꢀ M ( p) ，  
svm  
M
( f ) 0，f = 1  
≥
p
p
其中包括  
图节点  
∈
M
( p) ，  
M
( f ) 0，f = 0  
≥
; ( 2)  
从目标搜索区域中提取的超像素候选部件  
图边  
p
p
svm  
svm  
D
( f | M ) =  
p
p
svm  
( graph edge) e E，  
．
∈
表示部件之间的近邻关系 动态图定  
ꢀ
·M ( p) ， M ( f ) ＜ 0，f = 1  
λ
3
p
p
svm  
svm  
:
义如下  
·M ( p) ，  
M
( f ) ＜ 0，f = 0  
λ
3
p
p
n
V = { v }  
i
i = 1  
( 5)  
( 1)  
，d( v ，v )  
{
E = { e| v ，v e，d( v ，v )  
}
∀
∈
≤ε  
j
i
j
i
2． 2． 2  
二元能量项  
v
，n  
． e  
其中 为图节点 为图节点数目 为图边  
表
二元能量项表示相邻部件之间的相关性或平滑  
i
i
j
．
示图节点之间的距离 定义具有近邻关系的相邻节点  
，
度 即具有相似表象的相邻部件分配相同标签时具有  
．
较小的能量 计算如下所示  
:
= 1． 5 W·H/N． { H，W}  
■
之间的距离小于距离 ε  
，N  
为目  
2
V
( f ，f ) = I( f f ) ·exp( ꢀ d ( z ，z ) /  
≠
) ( 6)  
δ
c
．
标搜索区域的长宽 为超像素数目  
p，q  
p
q
p
q
p
q
χ

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

资料专题

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