尺度自适应的加权压缩跟踪算法
2018-04-20李晓行陈金广马丽丽王明明
西安工程大学学报 2018年1期
关键词:特征
李晓行,陈金广,马丽丽, 王明明,王 伟
(西安工程大学 计算机科学学院, 陕西 西安 710048)
0 引 言
目标跟踪是计算机视觉领域中的主要研究内容之一,广泛应用于运动识别、视频监控、视频索引、人机交互等领域中[1].由于目标跟踪面临着光照变化、运动模糊、目标遮挡等挑战因素,因此,其研究仍是重点与难点.目标跟踪算法一般分为生成式模型和判别式模型两大类.
基于生成式模型的目标跟踪算法一般是利用学习得到的目标模型找到具有最小重建错误的图像块,该图像块位置即为目标位置.具有代表性的是Comaniciu等提出的Mean Shift算法[2],该算法利用概率密度梯度估计,通过迭代寻优以找到目标位置,但其对颜色变化较为敏感.Cai等对Mean Shift算法进行了改进[3],将空间直方图和Contourlet直方图进行加权求和,该方法在目标遮挡、旋转、尺度变换等情况下具有较好的鲁棒性.针对Mean Shift算法无法进行尺度自适应更新的问题,Bradski提出了CamShift算法[4],该算法能够自适应地调整目标跟踪区域的大小,具有较好的跟踪效果.IVT算法[5]利用增量主成分分析子空间对目标模型进行描述,能够在线估计目标的外观,从而实现目标跟踪.Mei等[6]提出一种粒子框架下的L1跟踪算法,将跟踪问题看作稀疏逼近问题,该算法在遮挡情况下具有较好的跟踪效果,但计算量较大.
基于判别式模型的目标跟踪算法将跟踪问题看作二元分类问题,将目标和背景区分开来,从而得到目标的位置.Grabner等提出一种在线boosting方法来选……
登录APP查看全文
