在线自适应选择子空间的红外目标跟踪方法

王江涛; 陈得宝; 李素文; 杨一军; 杨静宇

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

在线自适应选择子空间的红外目标跟踪方法

王江涛, 陈得宝, 李素文, 杨一军, 杨静宇

文章导航 > 红外与激光工程 > 2013 > 42(9): 2579-2583

王江涛, 陈得宝, 李素文, 杨一军, 杨静宇. 在线自适应选择子空间的红外目标跟踪方法[J]. 红外与激光工程, 2013, 42(9): 2579-2583.

引用本文:

王江涛, 陈得宝, 李素文, 杨一军, 杨静宇. 在线自适应选择子空间的红外目标跟踪方法[J]. 红外与激光工程, 2013, 42(9): 2579-2583.

Wang Jiangtao, Chen Debao, Li Suwen, Yang Yijun, Yang Jingyu. IR object tracking method via online adaptive subspace selection[J]. Infrared and Laser Engineering, 2013, 42(9): 2579-2583.

Citation:

Wang Jiangtao, Chen Debao, Li Suwen, Yang Yijun, Yang Jingyu. IR object tracking method via online adaptive subspace selection[J]. Infrared and Laser Engineering, 2013, 42(9): 2579-2583.

在线自适应选择子空间的红外目标跟踪方法

1.
淮北师范大学物理与电子信息学院,安徽淮北 235000;
2.
南京理工大学计算机科学与技术学院,江苏南京 210094

基金项目:

国家自然科学基金（61203272，41275027）;安徽省自然科学基金（10040606Q56，1308085MF82）; 安徽高校省级自然科学研究（KJ2011A252）;淮北市科技计划（2010211）

详细信息

作者简介:
王江涛（1979-），男，副教授，博士，主要从事计算机视觉、图像处理方面的研究。Email：jiangtaoking@126.com

中图分类号: TP391

IR object tracking method via online adaptive subspace selection

1.
School of Physical and Electronic Information,Huaibei Normal University,Huaibei 235000,China;
2.
College of Computer Science and Technology,Nanjing University of Science and Technology,Nanjing 210094,China

摘要: 传统基于子空间的目标跟踪方法以能量大小为准则建立子空间，没有考虑目标与背景之间的鉴别性，当两者间存在近似外观分布时将降低跟踪系统的性能。考虑到红外图像信噪比、对比度不高等特点，提出了一种以评估目标与背景间可区分能力为基础的子空间选择方法，并将该方法有效嵌入到粒子滤波跟踪框架下实现对红外目标的鲁棒跟踪。首先利用采样粒子分布以及当前目标状态，综合衡量粒子与目标间的特征分布差异和粒子逼近目标的程度来评估不同子空间的鉴别性，然后选择鉴别性最优的子空间作为下帧的跟踪子空间，从而实现对红外目标进行子空间自适应选择的鲁棒跟踪。对多个复杂场景下的目标跟踪实验表明所提出的算法要优于传统基于增量子空间学习的跟踪算法。
- 红外目标跟踪 /
- 子空间选择 /
- 粒子滤波 /
- 鉴别分析
Abstract: The subspace constructing strategy of classic subspace-based tracking schemes is to select appropriate subspaces with maximum energy, in this strategy the discriminability between the target and background is neglected, so when the target and background have similar appearance the tracking system's performance may be degenerated. To solve the problems of IR image's low SNR and low contrast, a novel subspace selecting method was proposed based on analyzing the discriminability between the target and background. The IR object tracking process was realized by the particle filter with the provided subspace selecting strategy. In this case, based on the prior knowledge of the particles distributions and the target state, different subspace's tracking ability by considering both the feature difference and the particles' approximation level to the target was estimated firstly, then the optimal subspaces were selected to realized the IR target tracking. Experiments on several complex scenes indicate that the proposed algorithm has better performance than the classic one.
- IR target tracking /
- subspace selecting /
- particle filter /
- discriminant analysis

[1]
[2]	Bay H, Ess A, Tuytelaars T, et al. SURF: speeded up robust features[J]. Computer Vision and Image Understanding, 2008, 110(3): 346-359.
[3]
[4]	Wang S, Lu H C, Yang F, et al. Superpixel tracking[C]//In Proceedings of 2011 International Conference on Computer Vision, 2011: 1323-1330.
[5]	Hu J, Juan C, Wang J. A spatial-color mean-shift object tracking algorithm with scale and orientation estimation[J]. Pattern Recognition Letters, 2008, 29(16): 2165-2173.
[6]
[7]	Erdem E, Dubuisson S, Bloch I. Visual tracking by fusing multiple cues with context-sensitive reliabilities[J]. Pattern Recognition, 2012, 45(5): 1948-1959.
[8]
[9]	Yang H X, Shao L, Zheng F, et al. Recent advances and trends in visual tracking: A review[J]. Neurocomputing, 2011, 74 (18): 3823-3831.
[10]
[11]
[12]	Ross D A, Lim J, Lin R, et al. Incremental learning for robust visual tracking[J]. International Journal of Computer Vision, 2008, 77(1-3): 125-141.
[13]	Kong Jun, Tang Xinyi, Jiang Min, et al. IR target tracking based on scale space feature points matching[J]. Infrared and Laser Engineering, 2011, 40(11): 2104-2109. (in Chinese)
[14]
[15]
[16]	Wang Jiangtao, Yang Jingyu. Shape-based human detection in infrared image sequences[J]. Journal of Infrared and Millimeter Waves, 2007, 26(6): 437-442. (in Chinese)
[17]	Deng He, Liu Jianguo, Chen Zhong. Infrared small target detection based on modified local entropy and EMD[J]. Chinese Optics Letters, 2010, 8(1): 24-28.

[1]	Li Ning, Wei Daozhi, Zhang Dongyang, Yao Liangfu. Information fusion method of ranging-imaging guidance integrated fuze . 红外与激光工程, 2021, 50(11): 20210039-1-20210039-8. doi: 10.3788/IRLA20210039
[2]	姜珊, 张超, 韩成, 底晓强. 基于相关滤波的目标重检测跟踪 . 红外与激光工程, 2021, 50(2): 20200182-1-20200182-12. doi: 10.3788/IRLA20200182
[3]	时国平, 钱叶册. 伯努利滤波器在纯角度跟踪场景中的应用 . 红外与激光工程, 2021, 50(2): 20200343-1-20200343-9. doi: 10.3788/IRLA20200343
[4]	陈明, 赵连飞, 苑立民, 徐峰, 韩默. 基于特征选择YOLOv3网络的红外图像绝缘子检测方法 . 红外与激光工程, 2020, 49(S2): 20200401-20200401. doi: 10.3788/IRLA20200401
[5]	房胜男, 谷小婧, 顾幸生. 基于自适应响应融合的相关滤波红外目标跟踪 . 红外与激光工程, 2019, 48(6): 626003-0626003(8). doi: 10.3788/IRLA201948.0626003
[6]	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
[7]	马天义, 张会香, 宋敏敏, 钮赛赛. 引入显著特征空间的抗遮挡红外目标跟踪 . 红外与激光工程, 2017, 46(3): 304002-0304002(7). doi: 10.3788/IRLA201746.0304002
[8]	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
[9]	赵慧洁, 李明康, 李娜, 丁昊, 蔡辉. 一种基于改进子空间划分的波段选择方法 . 红外与激光工程, 2015, 44(10): 3155-3160.
[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]	曹阳, 郭靖. 粒子滤波的机载激光通信自适应参数辨识跟踪方法 . 红外与激光工程, 2015, 44(10): 3098-3102.
[13]	胡晓彤, 王建东. 基于子空间特征向量的三维点云相似性分析 . 红外与激光工程, 2014, 43(4): 1316-1321.
[14]	吕俊伟, 郭宁, 潘爽. 时滞和相关性观测条件下的红外目标状态估计方法 . 红外与激光工程, 2014, 43(10): 3238-3243.
[15]	李权, 赵勋杰, 彭青艳, 邹薇, 张雪松. 基于主成分分析法的窗口自适应粒子滤波算法 . 红外与激光工程, 2014, 43(10): 3474-3479.
[16]	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.
[17]	耿利祥, 陈钱, 钱惟贤. 改进的联合概率数据关联算法（JPDA）对红外目标与诱饵的辨别 . 红外与激光工程, 2013, 42(2): 305-310.
[18]	林建粦, 平西建, 马德宝. 采用DBT的漂移扫描星图小目标检测方法 . 红外与激光工程, 2013, 42(12): 3440-3446.
[19]	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.
[20]	徐琰珂, 梁晓庚, 贾晓洪. 雷达/红外复合导引头信息融合算法 . 红外与激光工程, 2012, 41(1): 30-36.

点击查看大图

计量

文章访问数: 380
HTML全文浏览量: 43
PDF下载量: 120
被引次数: 0

在线自适应选择子空间的红外目标跟踪方法

1. 淮北师范大学物理与电子信息学院,安徽淮北 235000;

2. 南京理工大学计算机科学与技术学院,江苏南京 210094

作者简介:
王江涛（1979-），男，副教授，博士，主要从事计算机视觉、图像处理方面的研究。Email：jiangtaoking@126.com

收稿日期: 2013-01-15
修回日期: 2013-02-16
刊出日期: 2013-09-25

基金项目:

国家自然科学基金（61203272，41275027）;安徽省自然科学基金（10040606Q56，1308085MF82）; 安徽高校省级自然科学研究（KJ2011A252）;淮北市科技计划（2010211）

中图分类号: TP391

关键词:

摘要: 传统基于子空间的目标跟踪方法以能量大小为准则建立子空间，没有考虑目标与背景之间的鉴别性，当两者间存在近似外观分布时将降低跟踪系统的性能。考虑到红外图像信噪比、对比度不高等特点，提出了一种以评估目标与背景间可区分能力为基础的子空间选择方法，并将该方法有效嵌入到粒子滤波跟踪框架下实现对红外目标的鲁棒跟踪。首先利用采样粒子分布以及当前目标状态，综合衡量粒子与目标间的特征分布差异和粒子逼近目标的程度来评估不同子空间的鉴别性，然后选择鉴别性最优的子空间作为下帧的跟踪子空间，从而实现对红外目标进行子空间自适应选择的鲁棒跟踪。对多个复杂场景下的目标跟踪实验表明所提出的算法要优于传统基于增量子空间学习的跟踪算法。

English Abstract

IR object tracking method via online adaptive subspace selection

1. School of Physical and Electronic Information,Huaibei Normal University,Huaibei 235000,China;

2. College of Computer Science and Technology,Nanjing University of Science and Technology,Nanjing 210094,China

Received Date: 2013-01-15
Rev Recd Date: 2013-02-16
Publish Date: 2013-09-25

Keywords:

Abstract: The subspace constructing strategy of classic subspace-based tracking schemes is to select appropriate subspaces with maximum energy, in this strategy the discriminability between the target and background is neglected, so when the target and background have similar appearance the tracking system's performance may be degenerated. To solve the problems of IR image's low SNR and low contrast, a novel subspace selecting method was proposed based on analyzing the discriminability between the target and background. The IR object tracking process was realized by the particle filter with the provided subspace selecting strategy. In this case, based on the prior knowledge of the particles distributions and the target state, different subspace's tracking ability by considering both the feature difference and the particles' approximation level to the target was estimated firstly, then the optimal subspaces were selected to realized the IR target tracking. Experiments on several complex scenes indicate that the proposed algorithm has better performance than the classic one.