结合特征筛选与二次定位的快速压缩跟踪算法

被引：6

作者：

耿磊 ^{[1
,2
]}

王学彬 ^{[1
]}

肖志涛 ^{[1
,2
]}

张芳 ^{[1
,2
]}

吴骏 ^{[1
,2
]}

李月龙 ^{[2
]}

苏静静 ^{[1
]}

机构：

[1] 天津工业大学电子与信息工程学院

[2] 天津市光电检测技术与系统重点实验室

来源：

自动化学报 | 2016年 / 42卷 / 09期

基金：

高等学校博士学科点专项科研基金; 天津市科技支撑计划;

关键词：

压缩跟踪; 特征筛选; 二次定位; 分布差异; 自适应更新;

D O I：

10.16383/j.aas.2016.c150603

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

针对压缩跟踪算法易受遮挡影响和模型更新比较盲目的问题,提出结合特征筛选与二次定位的快速压缩跟踪算法(Fast compressive tracking algorithm combining feature selection with secondary localization,FSSL-CT).首先,对全局区域划分子区域,从中提取压缩特征,根据正、负样本估计出各个压缩特征在正、负类中的分布;然后,使用自适应学习率结合正类更新阈值对分类器模型进行更新;最后,将跟踪分为两个阶段,每个阶段在对应的搜索区域内采集候选样本,并从全部特征中筛选出部分优质特征加权构建分类器,通过分类候选样本最终完成目标跟踪.在8个公共测试序列和4个自制序列中与最近提出的两个代表性算法进行比较,本文算法在大多数测试序列中都具有最高的跟踪成功率和最低的平均中心误差,平均处理速度可以达到3.04毫秒/帧.实验结果表明,本文算法具有更好的抵抗短时遮挡的能力,更高的准确性和鲁棒性,以及良好的实时性.

引用

页码：1421 / 1431

页数：11

共 21 条

[1]

Robust superpixel tracking. Yang F,Lu H,Yang M H. IEEE Transactions on Image Processing . 2014

[2]

Robust visual tracking via multi-task sparse learning. ZHANG T,GHANEM B,LIU S, et al. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition . 2012

[3]

Moving object tracking system based on camshift and Kalman filter. Shengluan Huang,Jingxin Hong. International Conference on Consumer Electronics, Communications and Networks (CECNet) . 2011

[4]

Computer vision face tracking as a component of a perceptual user interface. Bradski GR. Proceedings of IEEE Workshop Applications of Computer Vision . 1998

[5] 基于蛙眼R3细胞感受野模型的运动滤波方法 [J].