积分商城

最新搜索： LPC824 ad库文件 NSA2860 半桥 PID控制LABVIEW ICNM8001
您现在的位置是：首页 > 技术资料 > 基于多表观特征子模型更新的鲁棒视觉跟踪
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于多表观特征子模型更新的鲁棒视觉跟踪

更新时间：2019-12-25 07:52:39 大小：2M 上传用户：守着阳光1985查看TA发布的资源 标签：鲁棒视觉跟踪 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

在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明:本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.


部分文件列表

文件名 大小
基于多表观特征子模型更新的鲁棒视觉跟踪.pdf 2M

部分页面预览

（完整内容请下载后查看）
2
Vol． 46 No． 2  
Feb． 2018  
第
期
电
子
学
报
2018  
2
ACTA ELECTRONICA SINICA  
年
月
基于多表观特征子模型更新的鲁棒视觉跟踪  
， ， ， ，  
范舜奕 管 桦 侯志强 余旺盛 戴 铂  
(
，
空军工程大学信息与导航学院 陕西西安  
710077)  
:
， 、  
在视觉跟踪中 传统模型更新算法在遮挡 光照变化及自身旋转等情况下通常存在鲁棒性较差的问题  
．
摘
要
， ．  
为改善该性能 提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法 该算法首先建立候选子模型  
， ，  
库 然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息 最后将当前帧三种特征直方图信息与候  
， ， ． :  
选库中各子模型分别计算加权相似度 更新候选库后与阈值比较 判断是否更新当前子模型 实验结果表明 本文算法  
， ， ，  
能够对特征相应子模型进行有效的选择性更新 与对比算法比较 在多种复杂变化的跟踪条件下 总体上能够具有更  
．
好的跟踪鲁棒性  
:
;
;
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
视觉跟踪 粒子滤波 模型更新 多特征融合 候选子模型库 加权相似度  
TP391. 4 0372-2112 ( 2018) 02-0440-07  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 02． 025  
:
:
A
:
文章编号  
文献标识码  
电子学报  
Robust Visual Tracking Based on Sub-model Updating of  
Multiple Apparent Features  
FAN Shun-yi，GUAN Hua，HOU Zhi-qiang，YU Wang-sheng，DAI Bo  
( The Information and Navigation Institute of Air Force Engineering University，Xi’an，Shaanxi 710077，China)  
Abstract: In computer vision tracking，the traditional model updating has poor robustness in solving the problem of  
occlusion，illumination change and self rotation． To improve these problems，this study proposes a new visual object tracking  
method． The algorithm firstly builds a candidate update sub-model library． Secondly，it determines the position and informa-  
tion of the current target by fusing the three complementary features of the tracking based on Particle Filter． Finally，the algo-  
rithm divides the three characteristic histogram of the target and the candidate model library to calculate the similarity of the  
reliability weights，then determines whether the candidate sub-model library and current sub-model can be updated． Results  
show that the algorithm can effectively select to update the sub-model． Rather than the contrast algorithms，our method can a-  
chieve a better tracking accuracy to deal with the situation of occlusion，illumination change and self rotation． The proposed  
method updates the target model effectively and keeps the good robustness under various tracking scenarios．  
Key words:  
visual tracking; particle filter; model update; multi feature fusion; candidate sub-model library;  
weighted similarity  
? ( 2)  
怎样的特征才能更有效的进行模型更新  
大多数  
算法是直接对模型整体更新 如果更新目标的不同子  
? ( 3)  
1
引言  
，
如何适应目标的表观变化及应对背景干扰的影响  
，
模型分量 是否更有效  
如何选择恰当的更新时  
［1］  
．
，
其中 粒子滤波  
是鲁棒视觉跟踪所面临的挑战之一  
?
( 1) ，  
对于 使用多特征融合的跟踪鲁棒性优于单一  
机
［2］  
［4］  
、
算法 由于原理简单 计算复杂度低及易解决多模情  
，
．
因此其模型更新也更具可靠性 如文献  
［5］  
特征  
针
，
况等优点已广泛应用于许多实时跟踪系统中 但由于  
，
对单特征描述目标模型的缺陷 采用互补特征灰度和  
， ，  
缺少模型更新 当出现目标旋转 遮挡或光照变化时易  
; ［6］ ，  
梯度直方图来描述 文献 基于相似性融合 集成多  
［3］  
．
导致跟踪失败 其他早期跟踪算法也具有此类问题  
．
， ，  
特征 计算成对模型匹配的相似度 将融合有效运用到  
，
关于模型更新 往往需要考虑三个问题  
: ( 1)  
选择  
．
模型更新中 针对  
( 2) ，  
建立多子模型分量比整体更新  
: 2016-09-26;  
: 2017-02-15; :  
责任编辑 马兰英  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61473309，No． 61703423) ;  
( No． 2015JM6269，No． 2016JM6050)  
陕西省自然科学基金  
441  
2
:
范舜奕 基于多表观特征子模型更新的鲁棒视觉跟踪  
第
期
． ［7］ ，  
更具优势 如文献 中提出选择性子模型更新 将目  
ents，HOG)  
，
是描述目标边缘特征的有效算子 使目标的  
，
标模型中的每个分量作为独立个体 根据匹配贡献度  
，
表象和形状能够被梯度方向密度分布很好的描述 在  
， ．  
大小 选择当前帧内需更新的分量 就  
( 3)  
，
而言 选择合  
处理背景和目标颜色分布相近的问题上具有较强的鲁  
．
适的门限对于更新时机尤为重要 如封闭感知的模型  
， ，  
棒性 可以弥补某些颜色直方图在跟踪中的缺陷 但由  
［8］  
，
更新算法 利用稀疏编码确定一个强分类器 有效判  
，
于不具有方向和尺度不变性 在跟踪过程中对旋转和  
; ［9］ ，  
断更新区间 文献 通过穷搜索跟踪确定目标 并建  
．
尺度的适应性不强 本文将图像分成  
8 × 8  
的小图像单  
，
立大量正负样本的预训练选择分类器 在保留首帧同  
，
元 并分别计算每个单元的  
HOG， 9  
得到一个 维的直方  
，
时 在跟踪中建立  
100  
，
帧具有可靠性权值模型库 在线  
，
图 将每相邻  
2 × 2  
，
个单元组成一个块 每块  
4 × 9 = 36  
．
， ，  
维 相邻两块部分重叠 则共  
( 8-1) × ( 8-1) = 49  
，
块 最  
持续更新模型库  
，
综合考虑以上三个问题及各文献 本文提出一种  
49 × 36 = 1764  
．
维
终图像得到  
． 、 、  
多表观模型更新算法 首先选取互补的颜色 梯度 纹理  
2． 2． 3 LBP  
特征  
［11］  
， ［4］ ，  
特征 在粒子滤波中加入文献 融合规则 得到跟踪  
( Local Binary Pattern，LBP)  
是一  
局部二值模式  
，
结果并提取各特征直方图 同时建立初始的候选子模  
，
种有效的纹理描述算子 具有旋转及局部灰度不变性  
，
． ［9］ ，  
型库 不同于文献 将模型整体更新 本文对候选子  
， ， ．  
识别能力强 对灰度单调变化不敏感 计算复杂度小 基  
，
模型设置有效且更易于计算的可靠性权值 然后与当  
LBP 3 × 3  
是一个  
，
的矩形块 以中心像素的灰度值为  
本
， ，  
前帧各特征子模型对比 并更新候选子模型库 最后将  
，
8
，
LBP  
阈值 将其邻域 个灰度值与阈值相比较 计算其  
， 1．  
值 例如图  
，
库中最大加权相似度值与更新阈值比较 判断是否更  
3
新当前 个子模型  
．
2
多特征融合粒子滤波算法  
2． 1  
粒子滤波  
粒子滤波基于贝叶斯递归推理和蒙特卡洛方法对  
［2］  
．
x ，z k  
分别表示 时刻系  
k
非线性非高斯系统分析  
设
k
:
计算公式为  
N－1  
，
统的 状 态 和 观 测 向 量 使 用  
N
个 粒 子 构 成 的 集 合  
p
Lbp =  
s( x － x ) ·2  
0
( 4)  
N
i
i
∑
{
}
x
，
ω
k
:
表示状态的后验概率密度  
0∶  
k
i = 0  
p = 0  
N
， p p  
式中 指数 指邻域内第 个像素  
，N  
p ，  
表示 的总数 而  
1
i
i
p( x | z ) =  
1∶  
· ( x － x  
δ
0∶  
)
( 1)  
ω珟  
k
0∶  
k
k
∑
k
0∶ k  
N
s( x)  
:
是一个二值函数  
s( x) =  
i = 1  
，{ x ，i = 1，2，…，N}  
，
1， x  
0
≥
式中  
，i = 1，  
验概率分布的状态空间 各样本粒子权值为 ω  
是支持样本集合 抽取自后  
0∶  
k
( 5)  
i
{
0， x  
0
≤
．
{
k
i
i
i
0 ～ 255  
，
的图像  
因此可得到一幅数值大小分布于  
2，…，N} ，  
且满足  
= 1．  
，
ω珟为归一化权值 ω珟  
k
=
ω
∑
k
k
i
．
对其进行灰度直方图统计即可得到纹理信息  
2． 3  
2． 3． 1  
特征不确定性是指特征似然函数的尖锐程度及离  
i
j
i
， :  
ω 重要性权值 ω 由下式得到  
k k  
ω
特征融合  
特征不确定性  
k
∑
j
i
i
i
p( z | x ) ·p( x | x  
k
)
k
k
k － 1  
i
i
=
·
( 2)  
ω
ω
k － 1  
k
i
i
h( x | x ，z  
k － 1  
)
k
1∶ k  
．
子的空间分布 不同场景每种特征对目标位置估计的  
i
i
i
，p( z | x )  
k
，p( x | x  
k
)
为概率密度转移  
k － 1  
式中  
为似然函数  
k
，
准确度不相同 为描述每种特征在跟踪过程中的不确  
i
i
，h( x | x ，z  
k － 1  
)
，
为重要性采样密度 则后验滤波  
函数  
k
1∶ k  
，
定性大小 文献  
［4］  
提出一种自适应的特征不确定性  
:
密度可近似为  
:
度量  
N
i
i
i
i
U
=
·H( p )  
t
( 6)  
p( x | z  
1∶  
)
· ( x － x  
δ
k
)
( 3)  
σ
≈
ω
k
1∶  
k
∑
k
k － 1  
t + 1  
t
i = 1  
， ． i  
式中 σ 表示粒子空间分布的分散程度 第 种特征下  
t
，
2． 2  
2． 2． 1  
传统颜色特征直方图将整个颜色空间进行均匀剖  
RGB  
特征提取  
i
i
U
t + 1  
; p  
时刻的不确定性 似然函数 为对应的  
表示  
t + 1  
颜色特征  
( Bhattacharyya) ，H  
指 标  
目标与候选模型的巴氏系数  
i
( p )  
t
t ，  
是 时刻所有粒子观测概率值的熵 表示粒子的分  
，
，
分 本文中将图像按  
通道划分进行直方图统计 每  
．
散程度  
8 ，  
个通道分为 个区间 得到  
8 × 8 × 8 = 512  
．
维
2． 3． 2  
融合策略  
2． 2． 2 HOG  
特征  
梯度方向直方图  
n ，  
在假设 种观测特征是条件独立的情况下 文献  
［10］  
( Histograms of Oriented Gradi-  

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