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

        ?

        基于上下文感知的自適應(yīng)目標(biāo)跟蹤算法

        2022-05-10 02:29:18萬文明秦彬鑫
        關(guān)鍵詞:跟蹤目標(biāo)響應(yīng)值濾波器

        萬文明,路 紅,秦彬鑫,邱 春

        (南京工程學(xué)院自動化學(xué)院, 江蘇 南京 211167)

        隨著信息技術(shù)和視覺技術(shù)的不斷發(fā)展,運動目標(biāo)檢測和跟蹤得到廣泛應(yīng)用[1]:在社會管理上,用于車輛交通監(jiān)控系統(tǒng)、人流量檢測等;在生活中,用于人臉、指紋識別等;在軍事領(lǐng)域中,用于精密定位、軍事偵察等[2-4].運動目標(biāo)跟蹤在這些領(lǐng)域都已經(jīng)取得了很大的成就,但是依舊存在許多困難沒有被解決[5].

        目標(biāo)識別和跟蹤即在圖像集的第一幀中確定所要跟蹤的目標(biāo),在之后的每一幀中都能動態(tài)跟蹤到所需要識別的目標(biāo),并能將識別對象框出來[6].一個優(yōu)秀的目標(biāo)跟蹤算法應(yīng)具有較高的魯棒性、適用性和實時性,能夠很好地跟蹤到目標(biāo)的運動軌跡.

        基于相關(guān)濾波器的目標(biāo)跟蹤(discriminative scale space tracking,DSST)算法得到快速發(fā)展[7].文獻[8]提出采用單通道灰度特征的最小輸出平方和誤差(minimum output sum of squared error filter,MOSSE)算法;文獻[9]在MOSSE算法基礎(chǔ)上引入循環(huán)矩陣和核的概念,提出基于核循環(huán)結(jié)構(gòu)跟蹤(exploiting the circulant structure of tracking-by-detection with kernels,CSK)算法,將單通道轉(zhuǎn)化為多通道,采用方向梯度直方圖(histogram of oriented gradients,HOG)特征,提出核相關(guān)濾波器(kernelized correlation filters, KCF)目標(biāo)跟蹤算法,提高了跟蹤精度和實時性;文獻[10]提出聯(lián)合全局上下文(context aware correlation filter tracking,CACF)算法進行背景訓(xùn)練.

        本文提出一種基于上下文感知的自適應(yīng)目標(biāo)跟蹤算法,提高尺度自適應(yīng)的能力,能夠更好地在復(fù)雜環(huán)境下跟蹤目標(biāo),主要技術(shù)思路:1) 在濾波器訓(xùn)練時,將目標(biāo)運動方向上的背景信息作為先驗信息,對運動狀態(tài)上的目標(biāo)樣本訓(xùn)練時降低非運動方向上背景樣本的權(quán)重,增加運動方向上背景樣本的權(quán)重,增強上下文的作用;2) 融合目標(biāo)跟蹤算法到CACF中,設(shè)計一個提取訓(xùn)練集的模塊,根據(jù)上一幀圖像確定的目標(biāo)尺度大小,實現(xiàn)目標(biāo)尺度自適應(yīng);3) 在模型進行更新時引入平均峰值相關(guān)能量(average peak correlation energy,APCE)作為遮擋判據(jù)指標(biāo),當(dāng)響應(yīng)峰值和APCE數(shù)值同時滿足條件時,再進行目標(biāo)模型更新,防止在跟蹤結(jié)果不準(zhǔn)的情況下更新模型.

        1 CACF和DSST算法原理

        CACF算法是一種對背景訓(xùn)練的相關(guān)濾波算法,把選取目標(biāo)的背景區(qū)域加入到濾波器中進行背景模板訓(xùn)練.該算法不但充分利用了背景信息,而且不影響跟蹤的其他性能,解決了搜索區(qū)域和余弦窗的限制.CACF算法在傳統(tǒng)相關(guān)濾波算法目標(biāo)函數(shù)的基礎(chǔ)上增加了一個背景懲罰項,使要訓(xùn)練的模板和背景在進行相關(guān)運算時響應(yīng)盡量小,并且使新的目標(biāo)函數(shù)能夠求得封閉解,解決了傳統(tǒng)相關(guān)濾波在模板學(xué)習(xí)時無法學(xué)習(xí)到太多背景信息、跟蹤目標(biāo)受到復(fù)雜背景環(huán)境干擾時容易導(dǎo)致目標(biāo)跟丟的問題.

        DSST算法提出一種三維尺度相關(guān)濾波器.利用位置濾波器確定跟蹤目標(biāo)的位置,利用尺度濾波器得到最大響應(yīng)值的尺度,調(diào)整跟蹤框的比例,實現(xiàn)尺度自適應(yīng).該算法的優(yōu)勢是能方便地將尺度估計與其他算法相結(jié)合.

        2 自適應(yīng)上下文感知的目標(biāo)跟蹤

        2.1 算法整體流程

        本文基于上下文感知的自適應(yīng)目標(biāo)跟蹤算法的整體流程為:選擇跟蹤目標(biāo),確定候選區(qū),提取HOG特征;利用卡爾曼濾波器估計目標(biāo)運動,預(yù)測下一幀位置;在濾波器訓(xùn)練時,將目標(biāo)運動方向上的背景信息作為先驗信息,在對目標(biāo)運動方向上的目標(biāo)樣本進行訓(xùn)練時降低非運動方向上背景樣本的權(quán)重,增加運動方向上背景樣本的權(quán)重;以上一幀確定的目標(biāo)位置為中心,通過計算得到最大響應(yīng)值,當(dāng)前幀的目標(biāo)尺度就是響應(yīng)值對應(yīng)的尺度;通過平均峰值相關(guān)能量對模型進行遮擋判別,確定目標(biāo)的位置和尺度.

        2.2 圖像預(yù)處理

        通過循環(huán)位移產(chǎn)生更多的樣本,在目標(biāo)上下左右各采集一個上下文區(qū)域,將中間的A0標(biāo)記為正樣本,將附近的Ai標(biāo)記為負(fù)樣本,充分利用背景信息,以便于更好區(qū)分跟蹤目標(biāo)與背景信息.

        CACF算法通過循環(huán)位移構(gòu)建卡爾曼濾波器的訓(xùn)練樣本集和相對應(yīng)的標(biāo)簽.構(gòu)建訓(xùn)練器的最小代價函數(shù)為:

        (1)

        式中:y為回歸標(biāo)簽,表示高斯分布的矢量化圖像;λ1為正則化權(quán)重參數(shù),防止過擬合;w為訓(xùn)練的相關(guān)濾波器.

        2.3 濾波器訓(xùn)練

        對視頻序列每一幀中的目標(biāo)圖像a0∈Rn進行硬陰性采樣策略,即對跟蹤目標(biāo)周圍添加k個上下文片段ai∈Rn,所構(gòu)成的循環(huán)矩陣分別記為A0∈Rn×n和Ai∈Rn×n.這些樣本包含了諸多干擾元素的背景環(huán)境.聯(lián)合全局上下文跟蹤器的目的是使它對目標(biāo)有很高的響應(yīng).目標(biāo)訓(xùn)練得到一個濾波器w∈Rn,對上下文局部塊的響應(yīng)很小或者接近于0.將上下文作為正則化項添加到式(1)中,得到:

        (2)

        式中,λ1和λ2為正則化參數(shù),λ1防止過擬合,λ2用于控制響應(yīng)為0的上下文圖像塊.

        計算出最大響應(yīng)值,確定目標(biāo)位置.利用循環(huán)矩陣的對角化性質(zhì),轉(zhuǎn)化到傅里葉域中得到w的閉式解:

        (3)

        式中:a0為循環(huán)矩陣B的第一行;ai為循環(huán)矩陣B的第i行,i從1開始; ^ 表示傅里葉變換;*表示共軛;k為選取背景區(qū)域的數(shù)量,本文選取4塊背景區(qū)域樣本.

        2.4 尺度選擇與更新

        特征尺度估計的目的是為了得到最佳尺度相關(guān)濾波器,通過最小二乘法求解濾波器:

        (4)

        式中:λ為正則化參數(shù),防止過擬合;g為響應(yīng)輸出;l為特征維數(shù);h為尺度濾波器;f為當(dāng)前幀的特征圖.

        將式(4)轉(zhuǎn)換成在傅里葉域:

        (5)

        2.5 模型更新

        為了獲得更好的跟蹤效果,減小跟蹤過程中的誤差累積,濾波器的更新模型為:

        (6)

        式中,η表示學(xué)習(xí)率.

        在新的一幀中,尺度濾波器的響應(yīng)求解公式為:

        (7)

        在目標(biāo)定位時,通過相關(guān)計算得到的最大值就是目標(biāo)的當(dāng)前幀位置:

        (8)

        在模型更新時,利用遮擋判據(jù)APCE[11]對模型執(zhí)行更新:

        (9)

        式中:Lmax為響應(yīng)峰值;Lmin為響應(yīng)谷值;Lm,n為在位置(m,n)的響應(yīng)值.

        APCE判據(jù)反映出響應(yīng)圖的振蕩程度,結(jié)合平均峰值相關(guān)能量與相應(yīng)峰值對模型進行遮擋判別.

        3 試驗結(jié)果分析

        本文試驗的電腦配置為3.5 GHz CPU PC,Windows 10操作系統(tǒng);運用Matlab R2019a軟件進行仿真試驗.為驗證本文算法的魯棒性,選取的視頻集為OTB100,選取的算法為CSK、DCF _ CA、KCF、SAMF[12]、MOSSE_CA、DSST算法.通過多個算法的對比試驗來驗證本文算法的跟蹤情況.本文算法的參數(shù)為: 正則化系數(shù)λ1=10-4,λ2=25,λ3=5,學(xué)習(xí)率η=0.015,搜索框padding=2,γ1=0.5,γ2=0.35.

        3.1 定量對比和分析

        圖 1 和圖2分別為7種跟蹤算法在數(shù)據(jù)集OTB100上的成功率曲線和精確率曲線.由圖1和圖2可見,本文算法成功率和精確率高于其他算法,分別為0.714和0.784.

        圖1 7種跟蹤算法成功率圖

        圖2 7種跟蹤算法精準(zhǔn)率圖

        圖3為本文算法其他屬性的跟蹤性能,包括快速移動、背景雜波、運動模糊、變形、光照變化、平面內(nèi)旋轉(zhuǎn)、低分辨率、遮擋、平面外旋轉(zhuǎn)視線之外、尺度變化等性能.通過多種跟蹤性能進行比較,能夠更好體現(xiàn)本文算法的跟蹤能力.

        (a) 尺度變化成功率圖

        根據(jù)試驗結(jié)果,本文算法除了平面內(nèi)外旋轉(zhuǎn)的精準(zhǔn)率和成功率低于SAMF算法,其他屬性的跟蹤性能總體上都優(yōu)于另外6種算法,特別在尺度變化、遮擋和背景雜波有較大的提升,充分體現(xiàn)了本文算法的魯棒性.

        3.2 定性對比和分析

        選取多個不同環(huán)境下的視頻序列進行對比,圖4為隨機選取的視頻序列,其包含多種不同屬性特征.

        (a) Car 1

        在Car1視頻序列中,目標(biāo)大小出現(xiàn)改變,從初始幀到第10幀所有算法都能夠很好地跟蹤目標(biāo)小車;到第300幀時,部分算法開始產(chǎn)生偏移,核相關(guān)濾波和上下文感知算法雖然能夠追蹤到目標(biāo),但無法做到尺度自適應(yīng),本文算法能夠做到尺度自適應(yīng);到第762幀時,核相關(guān)濾波和上下文感知算法開始有所偏移,把周圍環(huán)境也當(dāng)成跟蹤目標(biāo)的一部分,導(dǎo)致跟蹤框開始偏移,無法完全跟蹤目標(biāo),而本文算法達到自適應(yīng)并且能夠持續(xù)地跟蹤目標(biāo).

        在Skter2視頻序列中,目標(biāo)出現(xiàn)快速移動、形變、扭轉(zhuǎn)等情況.在第10幀時部分算法已經(jīng)不能很好地追蹤目標(biāo),開始出現(xiàn)偏移;到第357幀時,跟蹤目標(biāo)出現(xiàn)旋轉(zhuǎn),部分算法漂移嚴(yán)重或只能跟蹤到目標(biāo)的一部分;到第405幀時,跟蹤目標(biāo)產(chǎn)生形變和扭轉(zhuǎn),部分算法已經(jīng)不能跟蹤到目標(biāo),本文算法跟蹤效果最好.

        在Matrix視頻序列中,在跟蹤目標(biāo)過程中出現(xiàn)了光照,扭轉(zhuǎn)等情況.在第10幀時,所有算法都能夠跟蹤目標(biāo);在第52幀時,目標(biāo)快速移動,除本文算法外,其他算法無法跟蹤到目標(biāo);在第88幀時,受光照等背景的影響,本文算法依然可以很好地跟蹤目標(biāo),部分算法已經(jīng)偏移嚴(yán)重.通過對比,充分證明了本文算法具有較高的魯棒性.

        在Tiger2視頻序列中,在跟蹤目標(biāo)過程中出現(xiàn)了遮擋、扭轉(zhuǎn)、形變等情況.從初始幀到第10幀,所有算法都可以良好地跟蹤;到第279幀時,跟蹤目標(biāo)出現(xiàn)了扭轉(zhuǎn)和遮擋,本文算法和KCF算法能夠良好地跟蹤,部分算法出現(xiàn)跟蹤失敗,產(chǎn)生偏移;在第355幀時,目標(biāo)出現(xiàn)遮擋情況,對比算法或多或少都產(chǎn)生了偏移,本文算法能夠持續(xù)跟蹤.

        4 結(jié)語

        本文提出一種基于上下文感知的自適應(yīng)目標(biāo)跟蹤算法,在訓(xùn)練濾波器時通過降低非運動方向上背景樣板的權(quán)重、增加運動方向上背景樣本的權(quán)重提高了相關(guān)濾波器的魯棒性.在CACF算法中融合DSST算法,提高算法的定位精度和尺度自適應(yīng)能力.通過引入APCE對模型進行遮擋判別,解決了目標(biāo)遮擋的問題.試驗結(jié)果表明,本文算法跟蹤目標(biāo)的成功率和精確率分別為 0.714和0.784,能夠在復(fù)雜環(huán)境下更好地跟蹤目標(biāo).

        猜你喜歡
        跟蹤目標(biāo)響應(yīng)值濾波器
        基于無擾濾波器和AED-ADT的無擾切換控制
        核相關(guān)濾波與孿生網(wǎng)絡(luò)相結(jié)合的目標(biāo)跟蹤算法
        基于熒光光譜技術(shù)的不同食用淀粉的快速區(qū)分
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        提高環(huán)境監(jiān)測數(shù)據(jù)準(zhǔn)確性初探
        紫外熒光法測硫各氣路流量對響應(yīng)值的影響
        山東化工(2019年1期)2019-01-24 03:00:16
        開關(guān)電源EMI濾波器的應(yīng)用方法探討
        電子制作(2018年16期)2018-09-26 03:26:50
        基于圖割理論的尺度自適應(yīng)人臉跟蹤算法
        連續(xù)同色調(diào)背景下運動目標(biāo)自適應(yīng)跟蹤
        基于TMS320C6678的SAR方位向預(yù)濾波器的并行實現(xiàn)
        国产呦精品系列在线播放| 亚洲狠狠久久五月婷婷| 日本高清视频一区二区| 中文字字幕在线中文乱码解| 一本色道久久88加勒比一| 亚洲av中文无码乱人伦在线咪咕| 亚洲熟妇无码一区二区三区导航| 日韩一线无码av毛片免费| 国产丰满乱子伦无码专| 一区二区三区四区黄色av网站 | 精品熟女少妇av免费观看| 免费大学生国产在线观看p | 国产精品熟女视频一区二区三区| 午夜精品久久久久久久99热| 国产亚洲精久久久久久无码| 国产呦系列视频网站在线观看| 亚洲乱码中文字幕一线区| 久久国产色av免费观看| 国产成+人+综合+亚洲 欧美 | 美女性色av一区二区三区| 蜜桃臀av一区二区三区| 成人性生交大片免费看96| 色综合久久丁香婷婷| 欧洲AV秘 无码一区二区三| 少妇下面好紧好多水真爽| av狠狠色丁香婷婷综合久久| 国产喷水福利在线视频| 在线播放中文字幕一区二区三区| 日本视频一区二区三区| 久久精品国产亚洲av久| 久久99精品国产99久久| 亚洲24小时在线免费视频网站| 国产实拍日韩精品av在线| 东京热人妻一区二区三区| 在线观看免费午夜大片| 国产精品白浆无码流出| 高清不卡av在线播放| 无码人妻aⅴ一区二区三区| 最新国产乱人伦偷精品免费网站| 无码高清视频在线播放十区| 中文字幕有码在线人妻|