基于时空模型的尺度自适应跟踪算法

作者:蒋敏;吴佼;孔军;柳晨华 刊名:《小型微型计算机系统》 上传者:杨玉升

【摘要】针对传统跟踪算法无法应对目标外观大小变化的问题,文中提出一种基于时空模型的尺度自适应跟踪算法.首先,建立时空模型,计算置信图,确定目标的中心点;然后,借用聚类思想构建历史目标模板库,并根据估计的目标中心点提取多个尺度的矩形样本,引入方向梯度直方图特征分析模板与样本相似度;最终根据匹配获得的目标最优尺度更新时空模型,实现尺度变化的实时目标跟踪.实验证明本文提出的跟踪方法能够实时调整目标尺度,有效更新时空模型,在复杂的环境下有较好的鲁棒性和实时性.

全文阅读

1引言目标跟踪是机器视觉领域中重要的研究方向,广泛应用包括运动分析、智能监控等领域.然而目标在经历外观缩放、光照变化、以及局部遮挡等干扰时,跟踪效果受影响严重[1-3].近几年,国内外学者不断提出许多新的跟踪算法或者改进方法[4-7].文献[4]利用压缩感知将特征降维,降低了计算量,提升了跟踪的实时性.文献[5]利用多组正负样本训练强化分类器的判别能力,提升在背景中区分目标的能力.然而这些算法在目标出现明显外观大小变化时,无法实时调整跟踪窗尺度来适应目标外观大小的变化,常常出现丢失目标的情况.文献[6]利用mean-shift方法来估计目标尺度问题,然而算法计算量大,处理速度慢,并且对目标背景环境要求苛刻.如何对外观大小明显变化的目标进行稳健、有效的跟踪成为目标跟踪的研究热点[7,8].为了增强跟踪精度,有的学者引入目标上下文空域关系[8,9].其中文献[8]利用目标及其周围信息关系建立模型来预测目标位置,提升了算法抗局部遮挡以及光照变化等干扰的鲁棒性.然而在目标外观尺度明显变化时,该算法未考虑更新上下文空域范围,提取的特征无法有效建立模型,容易出现跟踪窗偏离目标,甚至丢失目标.针对目标尺度变化导致的跟踪精度下降问题,本文提出一种基于时空模型的尺度自适应跟踪算法.利用目标及其周围信息和帧间的时序关系,建立时空模型,通过计算置信图获得目标中心点;然后,借用聚类思想构建历史目标模板库,并根据估计的目标中心点提取多个尺度的矩形样本,引入方向梯度直方图特征分析模板与样本相似度;最终根据匹配获得的目标最优尺度更新时空模型,实现尺度变化的实时目标跟踪.2时空模型构建在跟踪过程中,短暂时间内相邻帧之间的目标变化较小,当前帧目标状态与下一帧中的目标状态相似[8].并且目标与其周围区域存在动态联系[9].有效利用目标与其周围上下文空域之间的联系以及连续序列间时序关系建立时空模型,将有效提升目标出现局部遮挡以及光照变化等干扰时的鲁棒性[9].如下页图1所示,实线框区域为目标区域Z,x*为区域几何中心.虚线框区域为目标及其周围信息,文中定义为上下文空域c,其范围宽和高定义为2.1目标的上下文空域关系Wc=2WZ,Hc=2HZ(1)其中Wz和HZ分别表示目标区域Z的宽和高.图1目标上下文空域Fig.1Spatialregionoftheobject假若在某一帧中目标的位置和尺度确定,如图1所示,当前帧中,定义目标上下文空域c的特征Xc={c(m)=(I(m),m)|mc(x*)},其中c(x*)表示以x*为中心的目标对应上下文空域,m表示空域c(x*)中的像素点,本文为了有效利用RGB彩色信息,将I(m)定义为I(m)=13(R+G+B)(2)其中R、G、B分别表示彩色图像序列的红、绿、蓝三分量.为预测目标位置,构建当前帧的置信图函数为G(X),以表征目标位置的概率分布,具体以目标位置的概率P(X|o)表示,XR2表示目标位置,o表示跟踪目标.根据贝叶斯定义可知G(X)=P(X|o)=c(m)XcP(X,c(m)|o)=c(m)XcP(X|c(m),o)P(c(m)|o)(3)其中P(X|c(m),o)为目标与上下文空域特征的空间关系建模,P(c(m)|o)表征了目标的上下文空域先验概率.上下文空域信息的先验概率P(c(m)|o)构建如下:P(c(m)|o)=I(m)(m-x*)(4)其中I(m)的定义见公式(2),为高斯函数,定义为(m-x*)=ae-m-x*22(5)其中a是标准常量取1,m-x*表示像素点m与目标中心x*的欧氏距离,参数为尺度参数.条件概率P(X|

参考文献

引证文献

问答

我要提问