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

        ?

        結(jié)合置信度評(píng)估與再檢測(cè)的目標(biāo)長(zhǎng)時(shí)跟蹤

        2022-12-30 08:15:44王英先馬社祥
        關(guān)鍵詞:跟蹤器置信度直方圖

        王英先,馬社祥

        (天津理工大學(xué) 集成電路科學(xué)與工程學(xué)院,天津 300384)

        0 引 言

        近年來(lái),基于DCF的目標(biāo)跟蹤算法[1-5]以其實(shí)時(shí)的速度而受到研究者的關(guān)注。但是,很多挑戰(zhàn)性因素對(duì)算法的性能有很大的影響,如遮擋、出視野和變形等。STRCF[6]算法以迭代的方式求解濾波器,Staple[7]算法將相關(guān)濾波響應(yīng)與顏色直方圖響應(yīng)加權(quán)融合,MCCT[8]算法集成多個(gè)DCF跟蹤器,可以有效解決變形和遮擋問(wèn)題。但是隨著目標(biāo)跟蹤時(shí)間的增長(zhǎng),具有短期記憶的相關(guān)濾波很容易丟失目標(biāo)。長(zhǎng)時(shí)目標(biāo)跟蹤算法[9,10]可以準(zhǔn)確檢測(cè)到跟蹤失敗,當(dāng)目標(biāo)再次出現(xiàn)時(shí)恢復(fù)魯棒跟蹤,但是支持向量機(jī)遍歷整個(gè)搜索區(qū)域來(lái)再檢測(cè)目標(biāo),浪費(fèi)計(jì)算資源和時(shí)間。近年來(lái),一些算法[11-13]將深度特征與相關(guān)濾波相結(jié)合,在精度和穩(wěn)定性方面取得了長(zhǎng)足的進(jìn)步,但深度特征的提取具有高度復(fù)雜性。

        針對(duì)以上問(wèn)題,本文提出一種結(jié)合置信度評(píng)估與再檢測(cè)的目標(biāo)長(zhǎng)時(shí)跟蹤算法。本文在Staple算法基礎(chǔ)上,根據(jù)濾波響應(yīng)的平均峰值相關(guān)能量值[14]與顏色直方圖得分評(píng)估跟蹤結(jié)果的可靠性,并由此決定是否啟動(dòng)再檢測(cè)模塊,同時(shí)自適應(yīng)更新模型。再檢測(cè)模塊通過(guò)DIOU[15]約束篩選掉不可靠的候選位置,增加懲罰項(xiàng)計(jì)算候選框得分。最后經(jīng)過(guò)判斷選擇機(jī)制,決定是否將跟蹤結(jié)果替換為檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,本文算法在目標(biāo)長(zhǎng)期被遮擋或出視野的情況下,可以保持較好的時(shí)效性和魯棒性。

        1 相關(guān)濾波算法

        本文將Staple作為基本跟蹤器,跟蹤任務(wù)分解為目標(biāo)的平移估計(jì)與尺度估計(jì)兩部分。圖像特征塊x的大小為M×N, 將圖像特征塊的循環(huán)移位xi作為樣本去訓(xùn)練分類器,通過(guò)最小化目標(biāo)函數(shù)得到最優(yōu)的濾波器模型w*

        (1)

        式中:第一項(xiàng)表示訓(xùn)練樣本xi與回歸目標(biāo)yi之間的均方誤差,yi為高斯型標(biāo)簽,wT表示濾波器系數(shù)w的轉(zhuǎn)置。第二項(xiàng)中的λ是正則化參數(shù),用于防止過(guò)擬合。

        對(duì)于輸入圖像塊z,利用核函數(shù)k將非線性問(wèn)題轉(zhuǎn)化為線性問(wèn)題

        (2)

        式中:φ(xi) 表示樣本xi在對(duì)偶空間的映射。在頻域中計(jì)算對(duì)偶空間系數(shù)α

        (3)

        (4)

        式中:F-1表示傅里葉反變換,δ為高斯核函數(shù)參數(shù)。

        測(cè)試圖像z與濾波器的響應(yīng)圖計(jì)算公式為

        (5)

        式中:⊙表示兩個(gè)矩陣之間的元素相乘。

        對(duì)當(dāng)前濾波器模型進(jìn)行插值處理,實(shí)現(xiàn)在線更新

        (6)

        HOG特征取決于目標(biāo)的空間結(jié)構(gòu),對(duì)形變和運(yùn)動(dòng)模糊比較敏感,但是對(duì)顏色變化可以有效地進(jìn)行跟蹤。直方圖特征對(duì)顏色比較敏感,不足以區(qū)分背景與目標(biāo),但是不考慮像素的位置,不受邊界效應(yīng)影響,可以有效地處理目標(biāo)形變和運(yùn)動(dòng)模糊的問(wèn)題。通過(guò)最小化回歸函數(shù)得到最優(yōu)的直方圖權(quán)重向量β

        (7)

        式中:φx?Rl表示圖像塊x在有限域H?Z2中的l通道特征圖像,y為相應(yīng)的標(biāo)簽。脊回歸的解為

        (8)

        式中:pj(O) 表示第j個(gè)直方柱元素總和在目標(biāo)區(qū)域O的像素比例,pj(S) 表示第j個(gè)直方柱元素總和在周圍背景區(qū)域S的像素比例,j為特征的維度數(shù)量。測(cè)試圖像z的顏色直方圖響應(yīng)計(jì)算公式為

        RC=βTφz(u)

        (9)

        對(duì)顏色直方圖模型進(jìn)行在線更新

        (10)

        基于全局顏色直方圖的響應(yīng)與基于模板的相關(guān)濾波響應(yīng)是互補(bǔ)的,將顏色直方圖響應(yīng)RC和基于Hog的相關(guān)濾波響應(yīng)RCF以固定的系數(shù)相結(jié)合

        R=(1-γ)RCF+γRC

        (11)

        式中:γ為融合互補(bǔ)因子。根據(jù)目標(biāo)融合響應(yīng)最大值所在位置和尺度濾波器得到最優(yōu)尺度大小,確定為基本跟蹤器目標(biāo)估計(jì)位置Pd。

        2 算法設(shè)計(jì)

        2.1 算法流程

        本文在相關(guān)濾波Staple算法的基礎(chǔ)上進(jìn)行改進(jìn),總體框架如圖1和表1所示,該算法主要分為3部分:自適應(yīng)更新的基本跟蹤器、實(shí)現(xiàn)跟蹤性能判斷的置信度評(píng)估模塊和高效的再檢測(cè)模塊。當(dāng)面對(duì)遮擋和出視野等干擾時(shí),基本跟蹤器的結(jié)果是不可靠的,這時(shí)置信度評(píng)估模塊會(huì)激活檢測(cè)器。為了避免背景信息使模型污染,檢測(cè)器是自適應(yīng)更新的,大大提高了檢測(cè)器的性能與速度。

        表1 本文算法具體流程

        圖1 算法總體框架

        2.2 置信度評(píng)估與自適應(yīng)更新機(jī)制

        為提高目標(biāo)跟蹤的魯棒性,需要判斷跟蹤結(jié)果的可靠性,對(duì)跟蹤結(jié)果的準(zhǔn)確評(píng)估可以有效激活再檢測(cè)模塊。并且當(dāng)跟蹤結(jié)果不可靠時(shí),停止更新模型,提高了跟蹤效率,保證了跟蹤質(zhì)量。本文受LMCF[14]算法啟發(fā),為了衡量響應(yīng)的波動(dòng)程度,將相關(guān)濾波響應(yīng)的APCE值作為一項(xiàng)置信度得分

        (12)

        式中:Rmax和Rmin分別表示濾波響應(yīng)的最大值和最小值,Ri,j表示響應(yīng)圖第i行第j列的元素,m和n分別表示響應(yīng)圖的寬和高。

        對(duì)于不同的跟蹤序列,響應(yīng)圖的置信得分往往差異很

        第i幀的顏色直方圖得分表示為

        (13)

        激活再檢測(cè)模塊的條件為

        (14)

        為了進(jìn)一步說(shuō)明兩種置信度評(píng)估策略的有效性,以Couple視頻序列進(jìn)行分析說(shuō)明,如圖2和圖3所示,虛線表示可靠幀歷史平均值與系數(shù)的乘積,以此作為閾值評(píng)估每一幀的可靠性。目標(biāo)在第90到94幀之間發(fā)生形變且快速運(yùn)動(dòng),基本跟蹤框漂移到相似背景區(qū)域,顏色直方圖得分與APCE值急劇下降,激活再檢測(cè)模塊;第103幀到107幀背景復(fù)雜,基本跟蹤框不能準(zhǔn)確定位到目標(biāo)區(qū)域,APCE值低至閾值以下,有效激活再檢測(cè)模塊。

        圖2 Couple序列的基本跟蹤框

        圖3 在Couple序列中置信度評(píng)估

        傳統(tǒng)的方法是在每幀中更新模型,模板容易被背景信息和其它噪聲污染,小誤差的累計(jì)會(huì)導(dǎo)致模型漂移,而且實(shí)時(shí)的更新會(huì)降低算法的運(yùn)行速度。本文從每幀的跟蹤結(jié)果中提取訓(xùn)練樣本,根據(jù)自適應(yīng)更新方案決定是否丟棄樣本,相關(guān)濾波器和顏色直方圖模型僅在高置信度的視頻幀中進(jìn)行更新。相關(guān)濾波模型的學(xué)習(xí)率隨著融合響應(yīng)的APCE值與可靠幀APCE平均得分的比值自適應(yīng)變化,相關(guān)濾波模型與顏色直方圖模型的學(xué)習(xí)率分別表示為

        (15)

        (16)

        其中,P和Q為預(yù)設(shè)的常數(shù),υ為懲罰系數(shù),χ為功率指數(shù),HCF和HC表示比例閾值。

        2.3 再檢測(cè)模塊

        一般來(lái)說(shuō),目標(biāo)的移動(dòng)是平滑的,目標(biāo)丟失后再次出現(xiàn)在視野,通常位于丟失位置的周圍區(qū)域。為了避免滑動(dòng)窗口搜索的復(fù)雜性以及擴(kuò)大的搜索區(qū)域引入干擾,當(dāng)跟蹤失敗時(shí),在前一幀跟蹤位置進(jìn)行高斯分布隨機(jī)擾動(dòng),搜索半徑為20像素,在每一個(gè)采樣點(diǎn)所在位置選取樣本,將基本跟蹤器確定的目標(biāo)尺度作為樣本的長(zhǎng)與寬,生成多個(gè)候選跟蹤框Bi來(lái)粗略預(yù)測(cè)目標(biāo)位置

        Bi=G(Bgt,σ2)

        (17)

        式中:G表示高斯函數(shù),Bgt表示上一幀跟蹤結(jié)果,σ為標(biāo)準(zhǔn)差。

        評(píng)估每一個(gè)樣本跟蹤框會(huì)增加算法計(jì)算量,在實(shí)際應(yīng)用中對(duì)實(shí)時(shí)性要求高。本文提出用DIOU約束減少候選數(shù)量,同時(shí)表征預(yù)測(cè)位置與前一幀可靠位置之間的重疊率與距離特性,在預(yù)測(cè)候選框與上一幀跟蹤框之間沒(méi)有重疊或者完全包含條件下,仍然可以作為不同預(yù)測(cè)候選框的度量標(biāo)準(zhǔn),計(jì)算公式為

        (18)

        式中:IOU和ρ(B,Bgt) 分別表示候選預(yù)測(cè)框與上一幀跟蹤框的交并比和中心點(diǎn)之間歐氏距離,c表示兩個(gè)框最小包圍框的對(duì)角線長(zhǎng)度。計(jì)算候選框的DIOU值并進(jìn)行降序排列,保留前65%的候選框。

        由式(11)計(jì)算剩余候選位置的相關(guān)濾波響應(yīng)與顏色直方圖響應(yīng)的融合,最終候選跟蹤框得分表示為Si

        (19)

        式中:Ri表示第i個(gè)候選的融合響應(yīng),第二項(xiàng)為過(guò)大位移懲罰項(xiàng)。得分最高的候選跟蹤框確定為檢測(cè)器預(yù)測(cè)位置Pt,具體過(guò)程如圖4所示。在DragonBaby序列中的第5幀,目標(biāo)跟蹤位置置信度較低,激活再檢測(cè)模塊,首先在前一幀跟蹤結(jié)果周圍生成50個(gè)稀疏候選框。其次,計(jì)算50個(gè)候選位置的DIOU值并進(jìn)行排序,保留前33個(gè)候選框。最后計(jì)算候選框的融合響應(yīng)值與懲罰項(xiàng),將得分最高位置作為再檢測(cè)結(jié)果。

        圖4 在DragonBaby序列中目標(biāo)丟失再檢測(cè)

        通過(guò)比較候選得分和可靠幀歷史得分均值,評(píng)估檢測(cè)器預(yù)測(cè)位置Pt的可靠性,預(yù)測(cè)位置可靠則將基本跟蹤器跟蹤結(jié)果替換為檢測(cè)結(jié)果,預(yù)測(cè)位置不可靠則保留跟蹤結(jié)果,確定最終的目標(biāo)位置為P*

        (20)

        式中:CAPCE(R) 和CC分別表示檢測(cè)器預(yù)測(cè)位置Pt的APCE得分與顏色直方圖得分,TCF和TC表示將跟蹤結(jié)果替換為檢測(cè)結(jié)果的閾值,確保只有當(dāng)檢測(cè)結(jié)果優(yōu)于可靠幀跟蹤結(jié)果時(shí)才進(jìn)行替換。

        3 實(shí)驗(yàn)與分析

        3.1 實(shí)驗(yàn)設(shè)置

        在該算法中,通過(guò)大量實(shí)驗(yàn)比較參數(shù)的不同設(shè)置對(duì)于性能的影響,得出表現(xiàn)效果最佳的參數(shù)值,融合互補(bǔ)因子γ為0.3,比例閾值LCF和LC分別為0.4和0.7,HCF和HC分別為0.6和0.7。參數(shù)P和Q分別為0.02和0.01,懲罰系數(shù)υ為0.8,功率指數(shù)χ為3次。再檢測(cè)模塊初始候選位置為50,高斯隨機(jī)擾動(dòng)半徑為20,TCF和TC分別為0.6和0.8,其它參數(shù)按照Staple算法中的建議進(jìn)行初始化。

        將本文算法與5種先進(jìn)的跟蹤器進(jìn)行比較:MCCT[8]、PDCF[16]、SRDCF[17]、Staple[7]和SAMF[18],對(duì)比跟蹤器均使用人工獲取的特征,且都基于相關(guān)濾波算法。算法開(kāi)發(fā)平臺(tái)為Matlab R2016b,硬件環(huán)境為2.80 GHz CPU,Inter(R) Celeron(R) G1840,8 GB內(nèi)存,Windows7操作系統(tǒng),所有實(shí)驗(yàn)保持參數(shù)固定。

        3.2 基于OTB-2015數(shù)據(jù)集評(píng)估

        OTB-2015數(shù)據(jù)集[19]包含100組標(biāo)注屬性的視頻序列,數(shù)據(jù)集使用一次評(píng)估OPE評(píng)估算法性能,包括速度、精度圖和成功圖。精度圖計(jì)算預(yù)測(cè)的中心位置與真值之間誤差e在一系列像素閾值內(nèi)的幀百分比,成功圖計(jì)算預(yù)測(cè)的包圍框與真值之間的重疊率o,計(jì)算公式分別為

        (21)

        (22)

        其中, (xt,yt) 表示第t幀預(yù)測(cè)目標(biāo)位置中心, (xg,yg) 表示當(dāng)前幀真實(shí)目標(biāo)位置中心;Rt表示第t幀預(yù)測(cè)跟蹤框,Rg表示當(dāng)前幀真實(shí)跟蹤框。在圖例中,評(píng)估了每種跟蹤算法在20像素閾值處的精度得分(PS)和成功圖的曲線下面積(AUC)。圖5為6種算法在OTB-2015數(shù)據(jù)集下的精度圖與成功圖,MCCT集成多個(gè)DCF跟蹤器,具有高性能,PS得分83.3%,AUC得分77.7%。PDCF通過(guò)可靠性和不可靠評(píng)估標(biāo)準(zhǔn)增強(qiáng)了算法的魯棒性,PS得分82.2%,AUC得分77.2%。SRDCF擴(kuò)大了搜索區(qū)域,利用豐富的負(fù)樣本增加了跟蹤器的魯棒性,但同時(shí)計(jì)算量很大,PS得分78.8%,AUC得分72.8%。Staple以KCF為基礎(chǔ),充分利用空間分布和顏色統(tǒng)計(jì)特性形成互補(bǔ)學(xué)習(xí),實(shí)現(xiàn)實(shí)時(shí)跟蹤,因?yàn)轭伾卣鞯姆莿傮w性質(zhì),算法在一定程度上可以適應(yīng)顯著的外形變化,PS得分78.4%,AUC得分69.9%。SAMF在性能和速度上均表現(xiàn)較差。當(dāng)目標(biāo)被長(zhǎng)時(shí)間完全遮擋或出視野時(shí),上述跟蹤器會(huì)丟失目標(biāo),本文算法Ours精確度與成功率均實(shí)現(xiàn)了最佳的結(jié)果,PS得分85.5%,AUC得分79.8%。與基本跟蹤器Staple算法相比,PS得分提高9.1%,AUC得分提高14.2%。與先進(jìn)跟蹤器MCCT相比,PS得分提高2.6%,AUC得分提高2.7%。

        圖5 6種算法在OTB-2015數(shù)據(jù)集的測(cè)試結(jié)果

        計(jì)算時(shí)間是跟蹤算法的關(guān)鍵指標(biāo),表2為6種算法的平均跟蹤速度,加粗表示最優(yōu)算法,下劃線表示次優(yōu)算法。本文算法在Staple算法的基礎(chǔ)上增加置信度評(píng)估與再檢測(cè)模塊,提高了算法的魯棒性,但一定程度上增加了計(jì)算量,因此跟蹤速度慢于Staple算法。但是不同于滑動(dòng)窗口的復(fù)雜性,本文再檢測(cè)模塊采用簡(jiǎn)單高效的候選預(yù)測(cè)方式,通過(guò)DIOU進(jìn)行粗略篩選,最后通過(guò)相關(guān)濾波模型在頻域快速求解嶺回歸問(wèn)題,實(shí)現(xiàn)對(duì)目標(biāo)的精確定位,速度優(yōu)于MCCT算法和PDCF算法,滿足25 FPS的實(shí)時(shí)性要求。

        表2 6種算法在OTB-2015數(shù)據(jù)集的平均跟蹤速度

        基于屬性的分析可以評(píng)估算法對(duì)于不同挑戰(zhàn)性因素的適應(yīng)性,OTB-2015數(shù)據(jù)集包含了跟蹤過(guò)程中描述不同場(chǎng)景的11種屬性:光照變化(IV)、平面外旋轉(zhuǎn)(OPR)、尺度變化(SV)、遮擋(OCC)、變形(DEF)、運(yùn)動(dòng)模糊(MB)、快速運(yùn)動(dòng)(FM)、平面內(nèi)旋轉(zhuǎn)(IPR)、出視野(OV)、背景雜波(BC)和低分辨率(LR)。表3和表4以百分比的數(shù)據(jù)形式分別表示6種算法在不同屬性中的精確度和成功率。本文所提算法在精確度和成功率方面均表現(xiàn)出優(yōu)異的性能。遮擋和出視野是長(zhǎng)時(shí)跟蹤中最具有挑戰(zhàn)性的場(chǎng)景,在遮擋方面,PS得分優(yōu)于MCCT跟蹤器2.8%,AUC得分優(yōu)于MCCT跟蹤器4.1%;在出視野方面,PS得分優(yōu)于MCCT跟蹤器3.3%,AUC得分優(yōu)于MCCT跟蹤器7.1%。本文算法相比于基本跟蹤器Staple算法在遮擋、出視野和變形場(chǎng)景下精確度分別提高了10.1%、17.2%和7.4%,在遮擋、出視野和變形場(chǎng)景下成功率分別提高了17.3%、31.9%和10.7%。自適應(yīng)更新策略可以使濾波器模型在面對(duì)嚴(yán)重的遮擋和出視野時(shí)避免受到污染,但是跟蹤器無(wú)法及時(shí)地適應(yīng)目標(biāo)外形和背景的變化,因此在面對(duì)目標(biāo)外形變化和復(fù)雜背景干擾時(shí),跟蹤性能較差于MCCT跟蹤器。另一方面,人工特征的提取一定程度上會(huì)影響算法的整體性能,之后的工作會(huì)考慮深度特征的引用。

        表3 6種算法在OTB-2015數(shù)據(jù)集屬性評(píng)估中的精確度/%

        表4 6種算法在OTB-2015數(shù)據(jù)集屬性評(píng)估中的成功率/%

        為了進(jìn)一步驗(yàn)證置信度評(píng)估與DIOU約束的有效性,本文在OTB-2015數(shù)據(jù)集上進(jìn)行相應(yīng)的消融實(shí)驗(yàn),如表5所示,展示了本文在Staple算法基礎(chǔ)上依次增加置信度評(píng)估、再檢測(cè)模塊與DIOU約束對(duì)跟蹤性能的影響,結(jié)果包括精確度、成功率與運(yùn)行速度。結(jié)果顯示,基本跟蹤器Staple算法沒(méi)有置信度評(píng)估模塊與再檢測(cè)模塊,PS和AUC得分分別為0.784和0.699,速度高達(dá)55.8 FPS。將相關(guān)濾波響應(yīng)APCE值與顏色得分作為置信度進(jìn)行模板自適應(yīng)更新,有效防止模型污染,PS得分與AUC得分分別提升4.6%和8.9%。當(dāng)置信度評(píng)估跟蹤性能較差時(shí),增加再檢測(cè)模塊,高效獲取50個(gè)預(yù)測(cè)候選框,將置信度得分最高的候選框作為檢測(cè)結(jié)果,對(duì)目標(biāo)進(jìn)行重新定位,可以顯著提升跟蹤性能,與Staple基礎(chǔ)算法相比,PS得分與AUC得分分別提升7.9%和13.0%,但是同時(shí)大大增加計(jì)算量,速度降為Staple跟蹤器的36.7%。使用DIOU約束有效限制候選位置數(shù)量,只保留DIOU得分前33個(gè)預(yù)測(cè)候選框,并引用懲罰項(xiàng)增加再檢測(cè)準(zhǔn)確性與成功率,大大減少了檢測(cè)所需要的時(shí)間,速度提升為28.6 FPS。具有完整模塊的算法實(shí)現(xiàn)了最佳的結(jié)果,各個(gè)模塊不同程度上提升了跟蹤器的性能,保證算法實(shí)時(shí)運(yùn)行的同時(shí),可以對(duì)目標(biāo)進(jìn)行魯棒跟蹤。

        表5 各模塊消融實(shí)驗(yàn)

        3.3 定性分析

        圖6包含5組具有各種挑戰(zhàn)性因素的視頻序列,為了清晰可見(jiàn),將排名前4的本文算法Ours、MCCT算法、PDCF算法和SRDCF算法的跟蹤結(jié)果可視化,5組視頻序列的屬性見(jiàn)表6。

        表6 跟蹤序列及屬性

        圖6 4種算法在5組視頻序列中的跟蹤結(jié)果

        在Lemming序列中,目標(biāo)被完全遮擋后重新出現(xiàn)在視野,SRDCF算法在第383幀跟蹤失敗,其它算法均可以重新定位到目標(biāo);在第1018幀SRDCF算法重新定位到目標(biāo),但由于長(zhǎng)期的錯(cuò)誤模板累積,尺度發(fā)生較大偏差,準(zhǔn)確度較低;在第1046幀目標(biāo)發(fā)生平面外旋轉(zhuǎn),且背景較復(fù)雜,SRDCF算法再次丟失目標(biāo),MCCT跟蹤框漂移,只有本文算法Ours和PDCF算法穩(wěn)定地跟蹤到目標(biāo)。

        在DragonBaby序列中,目標(biāo)在第29幀進(jìn)行平面外旋轉(zhuǎn),SRDCF算法至此丟失目標(biāo);目標(biāo)在第43幀快速運(yùn)動(dòng),并產(chǎn)生運(yùn)動(dòng)模糊,MCCT算法無(wú)法定位目標(biāo),PDCF算法跟蹤框逐漸偏離目標(biāo);在第86幀目標(biāo)進(jìn)行快速運(yùn)動(dòng),只有本文算法Ours可以及時(shí)定位到目標(biāo)。

        在Shaking序列中,背景復(fù)雜且光照變化較大,目標(biāo)進(jìn)行一系列旋轉(zhuǎn)動(dòng)作,SRDCF算法和PDCF算法在第193幀發(fā)生跟蹤框漂移;SRDCF算法和PDCF算法在第296幀已經(jīng)完全跟蹤到錯(cuò)誤的目標(biāo)上,MCCT算法也發(fā)生跟蹤框漂移;在第355幀,只有本文算法Ours穩(wěn)定跟蹤目標(biāo)。

        在Couple序列中,MCCT跟蹤框在第96幀漂移到相似背景區(qū)域;受背景雜波干擾,MCCT算法和PDCF算法在第110幀均丟失目標(biāo);在第111幀,只有本文算法Ours和MCCT算法能夠準(zhǔn)確定位到目標(biāo)。

        在Box序列中,目標(biāo)被部分遮擋,在第499幀重新出現(xiàn)在視野,只有本文算法Ours可以快速定位到目標(biāo);目標(biāo)在第512幀產(chǎn)生運(yùn)動(dòng)模糊,只有本文算法Ours可以穩(wěn)定跟蹤目標(biāo);在第683幀,PDCF算法和MCCT算法再次定位到目標(biāo),但由于長(zhǎng)時(shí)間的失敗跟蹤,已經(jīng)無(wú)法恢復(fù)原有的精確度,而本文算法Ours可以進(jìn)行魯棒跟蹤。

        為了更好地說(shuō)明本文算法在平面內(nèi)旋轉(zhuǎn)、平面外旋轉(zhuǎn)、遮擋和光照變化場(chǎng)景下的跟蹤性能,圖7分別給出2種算法在3組不同視頻屬性下的跟蹤軌跡,視頻序列屬性見(jiàn)表6。

        圖7 2種算法在3組視頻序列中的跟蹤軌跡

        在Rubik序列中,目標(biāo)在第312幀進(jìn)行平面內(nèi)與平面外旋轉(zhuǎn),造成MCCT算法丟失目標(biāo),在整個(gè)序列不同時(shí)間段(第300幀~400幀、第1000幀~1100幀和第1930幀~1997幀),本文算法具有穩(wěn)定性,實(shí)現(xiàn)目標(biāo)的長(zhǎng)時(shí)跟蹤。

        在Walking2序列中,目標(biāo)在第198幀被相似行人遮擋,MCCT算法跟蹤框漂移到相似目標(biāo),最終跟蹤失敗。

        在Skating1序列中,目標(biāo)進(jìn)行旋轉(zhuǎn)動(dòng)作,舞臺(tái)背景較為復(fù)雜,MCCT算法在第358幀難以適應(yīng)光照的變化,跟蹤軌跡逐漸偏離目標(biāo),而本文算法未發(fā)生偏移。

        4 結(jié)束語(yǔ)

        本文基于相關(guān)濾波算法,針對(duì)目標(biāo)在遮擋和出視野等場(chǎng)景下跟蹤失敗問(wèn)題,提出一種結(jié)合置信度評(píng)估策略與再檢測(cè)機(jī)制的長(zhǎng)時(shí)跟蹤算法。利用相關(guān)濾波響應(yīng)的APCE值與顏色直方圖得分評(píng)估基本跟蹤器與再檢測(cè)結(jié)果性能,高置信度的評(píng)估標(biāo)準(zhǔn)可以高效地啟動(dòng)再檢測(cè)模塊,并且防止濾波器和模板被污染。再檢測(cè)模塊通過(guò)DIOU約束在跟蹤失敗的情況下生成較高質(zhì)量的候選位置,提高算法的魯棒性與實(shí)時(shí)性。本文算法使用Staple作為基本跟蹤器,在頻域中進(jìn)行計(jì)算,實(shí)現(xiàn)了優(yōu)越的效率。在OTB-2015數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該算法可以有效地處理目標(biāo)長(zhǎng)時(shí)跟蹤中發(fā)生的遮擋和出視野等問(wèn)題,在實(shí)時(shí)運(yùn)行時(shí)的性能優(yōu)于許多先進(jìn)跟蹤器。

        猜你喜歡
        跟蹤器置信度直方圖
        統(tǒng)計(jì)頻率分布直方圖的備考全攻略
        符合差分隱私的流數(shù)據(jù)統(tǒng)計(jì)直方圖發(fā)布
        光伏跟蹤器陣列跟蹤精度的測(cè)算方法研究
        硼鋁復(fù)合材料硼含量置信度臨界安全分析研究
        淺析一種風(fēng)光儲(chǔ)一體化跟蹤器
        超長(zhǎng)待機(jī)的自行車位置跟蹤器
        用直方圖控制畫面影調(diào)
        正負(fù)關(guān)聯(lián)規(guī)則兩級(jí)置信度閾值設(shè)置方法
        雙向多軌跡判定方法在目標(biāo)跟蹤中的應(yīng)用研究
        置信度條件下軸承壽命的可靠度分析
        軸承(2015年2期)2015-07-25 03:51:04
        一本到亚洲av日韩av在线天堂| 国产三级av在线播放| 97久久精品无码一区二区天美| 变态 另类 欧美 大码 日韩| 91老司机精品视频| 一本色道久久88综合亚洲精品 | 九九久久精品一区二区三区av | 另类专区欧美在线亚洲免费| 国产精品一区二区三区蜜臀| 91九色最新国产在线观看| 人妻中文字幕无码系列| 国产美女遭强高潮网站| 国产精品欧美视频另类专区| 久久久亚洲免费视频网| 亚洲av无码精品国产成人| 國产一二三内射在线看片| 91精品亚洲一区二区三区| 国产白浆一区二区在线| 人与动牲交av免费| 亚洲无毛片| 蜜桃av噜噜一区二区三区免费| 黄片国产一区二区三区| 日韩一区二区三区无码影院| 国产久热精品无码激情| 无码人妻中文中字幕一区二区| 日韩av在线免费观看不卡| 欧美xxxxx高潮喷水| 亚洲精华国产精华液的福利| 国产激情一区二区三区成人免费| 国产女主播在线免费看| 风韵丰满熟妇啪啪区老老熟妇| 久久成人国产精品| 久久久亚洲欧洲日产国产成人无码| 国产一区二区三区视频免费在线| 精品黑人一区二区三区久久hd | 亚洲人成电影网站色| 日日摸夜夜添无码无码av| 人妻av午夜综合福利视频| 国产精品高潮呻吟av久久黄| 国产精品无码久久久久| 亚洲一区二区在线视频播放|