亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于壓縮感知的實(shí)時(shí)目標(biāo)追蹤算法

        2015-04-12 00:00:00趙珍珍
        現(xiàn)代電子技術(shù) 2015年3期

        摘 要: 提出了一種高效的基于壓縮感知的實(shí)時(shí)目標(biāo)追蹤算法,該算法將空域數(shù)據(jù)轉(zhuǎn)換到小波域,然后利用變密度采樣矩陣對(duì)小波域數(shù)據(jù)進(jìn)行壓縮,從而極大地降低了數(shù)據(jù)量。在稀疏重建上,將St?OMP算法代替OMP算法以提高稀疏重建的速度。在多種具有挑戰(zhàn)性的視頻序列上進(jìn)行實(shí)驗(yàn),結(jié)果表明該算法提高了追蹤準(zhǔn)確度和速度。

        關(guān)鍵詞: 壓縮感知; 實(shí)時(shí)目標(biāo)追蹤; 貪婪算法; 稀疏重建

        中圖分類號(hào): TN911.7?34 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2015)03?0057?02

        Real?time object tracking algorithm based on compressive sensing

        ZHAO Zhen?zhen

        (Department of Electronics, Ocean University of China, Qingdao 266100, China)

        Abstract: An efficient object tracking algorithm based on compressive sensing is proposed to improve the implementation speed and efficiency of [?1]tracker and the OMP tracker. It transforms the spatial data to the wavelet domain, and compresses wavelet signal by means of variable density sampling matrix to reduce the data size greatly. Besides, OMP algorithm is replaced by St?OMP algorithm to improve the speed of sparse reconstruction in the process of sparse reconstruction. Experiments in several challenging video sequences show that the proposed algorithm achieves better tracking result both in accuracy and speed.

        Keywords: compressive sensing; real?time object tracking; greedy algorithm; sparse reconstruction

        0 引 言

        基于壓縮感知的實(shí)時(shí)目標(biāo)追蹤算法是建立在粒子濾波框架上的一種新穎的算法[1],能巧妙解決目標(biāo)遮擋、外觀變化等噪聲干擾,得到快速準(zhǔn)確的追蹤效果。

        2009年Xue Mei 等人首次提出了將壓縮感知融合到粒子濾波框架的[?1]tracker 算法[2],利用了凸松弛算法進(jìn)行稀疏重建,但該算法較高的計(jì)算復(fù)雜度導(dǎo)致實(shí)時(shí)性差。2011年Hanxi Li等人提出了OMP tracker算法,其追蹤速度為[?1]tracker的幾百倍[3]。盡管如此,OMP tracker的追蹤速度平均也只有10 f/s,追蹤速度亟待提高。

        1 [?1]tracker與OMP tracker

        基于壓縮感知的實(shí)時(shí)目標(biāo)追蹤算法是一種基于模板的算法[4],目前具有代表性的算法有[?1]tracker和OMP tracker兩種,其核心思想是求解候選目標(biāo)[si]在模板空間除了降低數(shù)據(jù)維度,改進(jìn)壓縮感知重建算法的執(zhí)行效率也是提高目標(biāo)追蹤速度的一個(gè)重要方法。本文采用了在OMP算法上發(fā)展出來的St?OMP算法,與OMP算法最大的區(qū)別在于每一步匹配追蹤時(shí)選擇多個(gè)最佳原子,而不是單個(gè)最佳原子,由此減少匹配次數(shù),加速了算法[10]。

        3 實(shí)現(xiàn)框架

        為驗(yàn)證本文所提算法的性能,為該算法設(shè)計(jì)一個(gè)實(shí)現(xiàn)框架如圖1所示。初始化階段,追蹤目標(biāo)周圍隨機(jī)均勻生成[nT=10]個(gè)尺寸為12×15(像素)的目標(biāo)模板,并將其投影到小波域進(jìn)行數(shù)據(jù)壓縮,頻域采樣率設(shè)定為30.5%。在采樣階段,根據(jù)前一時(shí)刻確定的追蹤目標(biāo)位置均勻生成當(dāng)前時(shí)刻采樣數(shù)為[ns=600]的候選目標(biāo),并投影到小波域。

        圖1 基于壓縮感知的實(shí)時(shí)目標(biāo)追蹤算法的實(shí)現(xiàn)框架

        4 實(shí)驗(yàn)結(jié)果及分析

        通過5段視頻序列來測試該算法的性能,如圖2所示,每一幀追蹤到的目標(biāo)用紅色平行四邊形框出。視頻“Car4”中的追蹤目標(biāo)是汽車,從圖2(a)排中可以看出,在光照條件變化時(shí),該追蹤算法的追蹤效果良好。視頻是“Singer1”的追蹤目標(biāo)是穿白衣服的女歌手,如圖2(b)排所示,視頻中光照發(fā)生了劇烈的變化、目標(biāo)尺度也改變了,追蹤效果依然良好?!癘cclusion1”和“Occlusion2”追蹤的目標(biāo)是人臉,如圖2(c),(d)所示,當(dāng)人臉被嚴(yán)重遮擋時(shí),追蹤結(jié)果良好。“Deer”追蹤的目標(biāo)是運(yùn)動(dòng)迅速的一頭鹿的頭部,如圖2(e)所示,在第54,56幀時(shí)追蹤目標(biāo)周圍存在跟目標(biāo)幾乎一模一樣的鹿,追蹤結(jié)果并沒有受第二頭鹿的影響而出現(xiàn)失誤。

        在追蹤速度上,用以上所示5段視頻進(jìn)行測試,本文所提的算法在保證追蹤準(zhǔn)確度的基礎(chǔ)上大大提高了追蹤速度,如表1所示,平均追蹤速度達(dá)到了29 f/s,是OMP tracker算法的1倍。

        參考文獻(xiàn)

        [1] 郭巖松,楊愛萍,侯正信,等.壓縮感知目標(biāo)跟蹤[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(32):4?7.

        [2] XUE Mei, LING Hai?bin. Robust visual tracking using L1 minimization [C]// 2009 IEEE 12th International Conference on Computer Vision. [S.l.]: IEEE, 2009: 1436?1443.

        [3] LI Han?xi, SHEN Chun?hua, SHI Qin?feng. Real?time visual tracking using compressive sensing [C]// International Confe?rence on Computer Vision. [S.l.]: IEEE, 2011: 1305?1303.

        [4] 柴繼貴.WSN 中一種基于壓縮感知的目標(biāo)定位算法[J].計(jì)算機(jī)工程,2013,39(3):77?86.

        [5] 朱秋平,顏佳,張虎,等.基于壓縮感知的多特征實(shí)時(shí)跟蹤[J].光學(xué)精密工程,2013,21(2):437?443.

        [6] DONOHO D. Compressed sensing [J]. IEEE Transactions On Information Theory, 2006, 52(4): 1289?1306.

        [7] ROMBERG J. Imaging via compressive sampling [J]. IEEE Signal Processing Magazine, 2008, 11: 14?20.

        [8] KRAGNWE F,WARD R. Stable and robust sampling strategies for compressive imaging [J]. IEEE transactions on Image Processing, 2014, 23: 612?622.

        [9] RAVISHANKAR S, BRESLER Y. MR image reconstruction from highly undersampled K?space data by dictionary learning [J]. IEEE Transactions on Medical Imaging, 2011, 30: 1028?1041.

        [10] BARANIUK R. Compressing sensing [J]. IEEE Signal Processing Magazine, 2007, 40: 118?124.

        国产精品成人午夜久久| 99在线精品视频在线观看 | 久久久久国产精品免费免费搜索 | 精品亚洲成a人无码成a在线观看| 国产又色又爽无遮挡免费| 亚洲一区二区三区在线观看播放| 国产白浆一区二区三区佳柔 | 深夜福利啪啪片| 亚洲av无码乱码国产精品fc2| 国产又爽又黄又不遮挡视频| 亚洲精品一区二区成人精品网站| 亚洲av无码乱码国产一区二区| 亚洲经典三级| 韩国无码精品人妻一区二| 一本色道久久亚洲av红楼| 啦啦啦中文在线观看日本| 午夜AV地址发布| 日韩精品一二区在线视频| 国产免费一区二区三区精品视频| 久久精品国产视频在热| 国产自产精品露脸刺激91在线| 久久精品国产亚洲av成人无人区| 人妻少妇精品中文字幕专区| 好屌草这里只有精品| 女同中的p是什么意思| 自拍偷区亚洲综合激情| 欧美成人看片一区二区三区尤物| 久久99精品久久久久久| 亚洲av噜噜狠狠蜜桃| 日韩av一区二区三区激情在线 | 黑人巨大精品欧美| 人妻少妇被猛烈进入中文字幕| 狠狠色噜噜狠狠狠狠97俺也去| 一二三四在线观看视频韩国| 久久精品国产精油按摩| 久草国产视频| 国产激情小视频在线观看的| 国产在热线精品视频| 最近高清中文在线字幕观看| 亚洲成人激情在线影院| 99国产精品久久99久久久|