留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于可变形模型的目标跟踪算法

马俊凯 罗海波 常铮 惠斌 周晓丹 侯德飞

马俊凯, 罗海波, 常铮, 惠斌, 周晓丹, 侯德飞. 基于可变形模型的目标跟踪算法[J]. 红外与激光工程, 2017, 46(9): 928001-0928001(9). doi: 10.3788/IRLA201746.0928001
引用本文: 马俊凯, 罗海波, 常铮, 惠斌, 周晓丹, 侯德飞. 基于可变形模型的目标跟踪算法[J]. 红外与激光工程, 2017, 46(9): 928001-0928001(9). doi: 10.3788/IRLA201746.0928001
Ma Junkai, Luo Haibo, Chang Zheng, Hui Bin, Zhou Xiaodan, Hou Defei. Visual tracking algorithm based on deformable parts model[J]. Infrared and Laser Engineering, 2017, 46(9): 928001-0928001(9). doi: 10.3788/IRLA201746.0928001
Citation: Ma Junkai, Luo Haibo, Chang Zheng, Hui Bin, Zhou Xiaodan, Hou Defei. Visual tracking algorithm based on deformable parts model[J]. Infrared and Laser Engineering, 2017, 46(9): 928001-0928001(9). doi: 10.3788/IRLA201746.0928001

基于可变形模型的目标跟踪算法

doi: 10.3788/IRLA201746.0928001
详细信息
    作者简介:

    马俊凯(1989-),男,博士生,主要从事机器学习、图像处理、目标跟踪等方面的研究。Email:majunkai@sia.cn

  • 中图分类号: TP391.4

Visual tracking algorithm based on deformable parts model

  • 摘要: 近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。
  • [1] Ross D A, Lim J, Lin R S, et al. Incremental learning for robust visual tracking[J]. International Journal of Computer Vision, 2008, 77(1-3):125-141.
    [2] Mei X, Ling H. Robust visual tracking and vehicle classification via sparse representation[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2011, 33(11):2259-2272.
    [3] Cui Xiongwen, Wu Qinzhang, Jiang Ping, et al. Affine-invariant target tracking based on subspace representation[J]. Infrared and Laser Engineering,2015, 44(2):769-774. (in Chinese) 崔雄文, 吴钦章, 蒋平, 等. 子空间模型下的仿射不变目标跟踪[J]. 红外与激光工程, 2015, 44(2):769-774.
    [4] Grabner H, Bischof H. Online boosting and vision[C]//2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06), 2006, 1:260-267.
    [5] Kalal Z, Mikolajczyk K, Matas J. Tracking-learning-detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(7):1409-1422.
    [6] Hare S, Golodetz S, Saffari A, et al. Struck:structured output tracking with kernels[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(10):2096-2109..
    [7] Henriques J F, Caseiro R, Martins P, et al. High-Speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3):583-596.
    [8] Xing Yunlong, Li Aihua, Cui Zhigao, et al. Moving target tracking algorithm based on improved Kernelized correlation filter[J]. Infrared and Laser Engineering, 2016, 45(S1):S126004. (in Chinese) 邢运龙, 李艾华, 崔智高, 等.改进核相关滤波的运动目标跟踪算法[J]. 红外与激光工程,2016, 45(S1):S126004.
    [9] Felzenszwalb P, Grishick R, Mcallester D. Object detection with discriminatively trained part based models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9):1627-1645.
    [10] Tsochantaridis I, Joachims T, Hofmann T. Large margin methods for structured and interdependent output variables[J]. Journal of Machine Learning Research, 2005, 6:1453-1484.
    [11] Bordes A, Bottou L, Gallinari P, et al. Solving multiclass support vector machines with LaRank[C]//International Conference on Machine Learning, ACM 2007:89-96.
    [12] Bishop C M. Pattern Recognition and Machine Learning[M]. New York:Springer, 2006:294-323.
    [13] Felzenszwalb P F, Huttenlocher D P. Distance transforms of sampled functions[J]. Theory of Computing, 2004, 19(8):415-428.
    [14] Wu Y, Lim J, Yang M, et al. Object tracking benchmark[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9):1834-1848.
    [15] Bao C, Wu Y, Ling H, et al. Real time robust L1 tracker using accelerated proximal gradient approach[C]//IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2012:1830-1837.
  • [1] 王向军, 郭志翼, 王欢欢.  基于嵌入式平台的低时间复杂度目标跟踪算法 . 红外与激光工程, 2019, 48(12): 1226001-1226001(10). doi: 10.3788/IRLA201948.1226001
    [2] 卢瑞涛, 任世杰, 申璐榕, 杨小冈.  基于稀疏表示多子模板的鲁棒目标跟踪算法 . 红外与激光工程, 2019, 48(3): 326003-0326003(8). doi: 10.3788/IRLA201948.0326003
    [3] 李晨曦, 史泽林, 刘云鹏.  红外成像灰度随距离变化的李群表达 . 红外与激光工程, 2018, 47(10): 1004002-1004002(6). doi: 10.3788/IRLA201847.1004002
    [4] 曲蕴杰, 莫宏伟, 王常虹.  一种用于无人机的目标颜色核相关跟踪算法研究 . 红外与激光工程, 2018, 47(3): 326001-0326001(7). doi: 10.3788/IRLA201847.0326001
    [5] 葛宝义, 左宪章, 胡永江, 张岩.  基于双步相关滤波的目标跟踪算法 . 红外与激光工程, 2018, 47(12): 1226004-1226004(10). doi: 10.3788/IRLA201847.1226004
    [6] 罗海波, 许凌云, 惠斌, 常铮.  基于深度学习的目标跟踪方法研究现状与展望 . 红外与激光工程, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002
    [7] 邢运龙, 李艾华, 崔智高, 方浩.  改进核相关滤波的运动目标跟踪算法 . 红外与激光工程, 2016, 45(S1): 214-221. doi: 10.3788/IRLA201645.S126004
    [8] 邵春艳, 丁庆海, 罗海波, 李玉莲.  采用高维数据聚类的目标跟踪 . 红外与激光工程, 2016, 45(4): 428002-0428002(10). doi: 10.3788/IRLA201645.0428002
    [9] 赵曦晶, 刘光斌, 汪立新, 何志昆, 赵晗.  五阶容积卡尔曼滤波算法及其应用 . 红外与激光工程, 2015, 44(4): 1377-1381.
    [10] 徐超, 高敏, 杨耀.  自调整分层卡尔曼粒子滤波的快速目标跟踪 . 红外与激光工程, 2015, 44(6): 1942-1949.
    [11] 崔雄文, 吴钦章, 蒋平, 周进.  子空间模型下的仿射不变目标跟踪 . 红外与激光工程, 2015, 44(2): 769-774.
    [12] 付小宁, 王洁.  基于三点虚拟圆的被动测距 . 红外与激光工程, 2014, 43(9): 3042-3045.
    [13] 赵曦晶, 刘光斌, 汪立新, 何志昆, 姚志成.  扩展容积卡尔曼滤波-卡尔曼滤波组合算法 . 红外与激光工程, 2014, 43(2): 647-653.
    [14] 李少毅, 董敏周, 张凯, 闫杰.  用于目标跟踪的多光路成像技术 . 红外与激光工程, 2014, 43(6): 2035-2039.
    [15] 田立, 周付根, 孟偲.  基于嵌入式多核DSP 系统的并行粒子滤波目标跟踪 . 红外与激光工程, 2014, 43(7): 2354-2361.
    [16] 肖松, 谭贤四, 王红, 李志淮.  变结构多模型临近空间高超声速飞行器跟踪算法 . 红外与激光工程, 2014, 43(7): 2362-2370.
    [17] 崔智高, 邓磊, 李艾华, 姜柯, 周杰.  采用地平面约束的双目PTZ主从跟踪方法 . 红外与激光工程, 2013, 42(8): 2252-2261.
    [18] 崔智高, 李艾华, 姜柯, 苏延召, 金广智.  双目协同多分辨率主动跟踪方法 . 红外与激光工程, 2013, 42(12): 3509-3516.
    [19] 黎志华, 李新国.  基于OpenCV的红外弱小运动目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2561-2565.
    [20] 彭晨, 陈钱, 钱惟贤, 徐富元.  复杂地面场景下的红外运动目标跟踪 . 红外与激光工程, 2013, 42(6): 1410-1414.
  • 加载中
计量
  • 文章访问数:  169
  • HTML全文浏览量:  11
  • PDF下载量:  69
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-01-10
  • 修回日期:  2017-02-20
  • 刊出日期:  2017-09-25

基于可变形模型的目标跟踪算法

doi: 10.3788/IRLA201746.0928001
    作者简介:

    马俊凯(1989-),男,博士生,主要从事机器学习、图像处理、目标跟踪等方面的研究。Email:majunkai@sia.cn

  • 中图分类号: TP391.4

摘要: 近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。

English Abstract

参考文献 (15)

目录

    /

    返回文章
    返回