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

基于双步相关滤波的目标跟踪算法

葛宝义 左宪章 胡永江 张岩

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[J]. 红外与激光工程, 2018, 47(12): 1226004-1226004(10). doi: 10.3788/IRLA201847.1226004
引用本文: 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[J]. 红外与激光工程, 2018, 47(12): 1226004-1226004(10). doi: 10.3788/IRLA201847.1226004
Ge Baoyi, Zuo Xianzhang, Hu Yongjiang, Zhang Yan. Object tracking algorithm based on two-step correlation filter[J]. Infrared and Laser Engineering, 2018, 47(12): 1226004-1226004(10). doi: 10.3788/IRLA201847.1226004
Citation: Ge Baoyi, Zuo Xianzhang, Hu Yongjiang, Zhang Yan. Object tracking algorithm based on two-step correlation filter[J]. Infrared and Laser Engineering, 2018, 47(12): 1226004-1226004(10). doi: 10.3788/IRLA201847.1226004

基于双步相关滤波的目标跟踪算法

doi: 10.3788/IRLA201847.1226004
基金项目: 

国家自然科学基金(51307183)

详细信息
    作者简介:

    葛宝义(1994-),男,硕士生,主要从事计算机视觉目标跟踪方面的研究。Email:boyge500@163.com

  • 中图分类号: TP391.4

Object tracking algorithm based on two-step correlation filter

  • 摘要: 针对目标跟踪中因目标遮挡、目标出视野导致的跟踪失败问题,为提高相关滤波目标跟踪算法的鲁棒性,提出了一种基于双步相关滤波的目标跟踪算法。首先根据方向梯度直方图特征不同单元大小目标表征的特点,提出双步相关滤波目标跟踪框架,在提高目标跟踪精度的同时保证了跟踪速度;然后融合多种目标特征,来获得目标更加全面的特征表征,以提高目标跟踪的鲁棒性;最后提出基于目标跟踪置信度指标的目标模板自适应更新策略,来解决目标遮挡时目标模板被污染的问题。实验在OTB100标准目标跟踪数据集上进行验证,通过与其他跟踪算法进行比较结果表明,该算法与其中最优跟踪算法相比,目标跟踪精度提升6.0%,目标跟踪成功率提升5.5%,平均跟踪速度为27.4 fps,保证了目标跟踪的实时性。实际目标跟踪应用中,在目标严重遮挡等情况下,该算法仍然可以对目标进行稳定精确地跟踪。
  • [1] Bolme D S, Beveridge J R, Draper B A, et al. Visual object tracking using adaptive correlation filters[C]//Computer Vision and Pattern Recognition(CVPR), 2010:2544-2550.
    [2] 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.
    [3] Li Y, Zhu J. A scale adaptive kernel correlation filter tracker with feature integration[C]//European Conference on Computer Vision, 2014:254-265.
    [4] Danelljan M, Hger G, Khan F S. Accurate scale estimation for robust visual tracking[C]//British Machine Vision Conference, 2014:65.1-65.11.
    [5] Ma C, Huang J B, Yang X, et al. Hierarchical convolutional features for visual tracking[C]//Proceedings of the IEEE International Conference on Computer Vision, 2015:3074-3082.
    [6] Liu T, Wang G, Yang Q. Real-time part-based visual tracking via adaptive correlation filters[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015:4902-4912.
    [7] Zhang Difei, Zhang Jinsuo, Yao Keming, et al. Infrared ship-target recognition based on SVM classification[J]. Infrared and Laser Engineering, 2016, 45(1):0104004. (in Chinese)
    [8] Luo Haibo, Xu Lingyun, Hui Bin, et al. Status and prospect of target tracking based on deep learning[J]. Infrared and Laser Engineering, 2017, 46(5):0502002. (in Chinese)
    [9] Danelljan M, Shahbaz K F, Felsberg M, et al. Adaptive color attributes for real-time visual tracking[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2014:1090-1097.
    [10] Jiang Shan, Zhang Rui, Han Guangliang, et al. Moving object tracking based on multi-feature fusion in the complex background gray image[J]. Chinese Optics, 2016, 9(3):320-328. (in Chinese)
    [11] Wang Wei, Wang Chunping, Li Jun, et al. Correlation filter tracking based on feature fusing and model adaptive updating[J]. Optics and Precision Engineering, 2016, 24(8):2059-2066. (in Chinese)
    [12] Yang Dedong, Cai Yuzhu, Mao Ning, et al. Long-term object tracking based on kernelized correlation filters[J]. Optics and Precision Engineering, 2016, 24(8):2037-2049. (in Chinese)
    [13] Wang M, Liu Y, Huang Z. Large margin object tracking with circulant feature maps[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017:21-26.
    [14] Wu Y, Lim J, Yang M H. Object tracking benchmark[J]. IEEE Transactions on Pattern Analysis Machine Intelligence, 2015, 37(9):1834-1848.
    [15] Babenko B, Yang M H, Belongie S. Visual tracking with online multiple instance learning[C]//Computer Vision and Pattern Recognition, 2009:983-990.
    [16] Kalal Z, Matas J, Mikolajczyk K. P-N learning:Bootstrapping binary classifiers by structural constraints[C]//Computer Vision and Pattern Recognition, 2010:49-56.
    [17] Hare S, Saffari A, Torr P H S. Struck:Structured output tracking with kernels[J]. IEEE Transactions on Pattern Analysis Machine Intelligence, 2016, 38(10):2096-2109.
    [18] Zhang Lei, Wang Yanjie, Sun Honghai, et al. Adaptive scale object tracking with kernelized correlation filters[J]. Optics and Precision Engineering, 2016, 24(2):448-459. (in Chinese)
  • [1] 张津浦, 王岳环.  融合检测技术的孪生网络跟踪算法综述 . 红外与激光工程, 2022, 51(10): 20220042-1-20220042-14. doi: 10.3788/IRLA20220042
    [2] 许聪, 孙大鹰, 曹子奇, 李春琦, 顾文华.  采用自适应模糊优化的目标跟踪加速方案 . 红外与激光工程, 2022, 51(2): 20210864-1-20210864-8. doi: 10.3788/IRLA20210864
    [3] 孙鹏, 于跃, 陈嘉欣, 秦翰林.  基于深度空时域特征融合的高动态空中多形态目标检测方法(特邀) . 红外与激光工程, 2022, 51(4): 20220167-1-20220167-8. doi: 10.3788/IRLA20220167
    [4] 李博, 张心宇.  复杂场景下基于自适应特征融合的目标跟踪算法 . 红外与激光工程, 2022, 51(10): 20220013-1-20220013-11. doi: 10.3788/IRLA20220013
    [5] 崔洲涓, 安军社, 崔天舒.  融合通道互联空间注意力的Siamese网络跟踪算法 . 红外与激光工程, 2021, 50(3): 20200148-1-20200148-13. doi: 10.3788/IRLA20200148
    [6] 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
    [7] 申亚丽.  基于特征融合的RGBT双模态孪生跟踪网络 . 红外与激光工程, 2021, 50(3): 20200459-1-20200459-7. doi: 10.3788/IRLA20200459
    [8] 徐云飞, 张笃周, 王立, 华宝成.  非合作目标局部特征识别轻量化特征融合网络设计 . 红外与激光工程, 2020, 49(7): 20200170-1-20200170-7. doi: 10.3788/IRLA20200170
    [9] 程全, 樊宇, 刘玉春, 王志良.  多特征融合的车辆识别技术 . 红外与激光工程, 2018, 47(7): 726003-0726003(6). doi: 10.3788/IRLA201847.0726003
    [10] 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
    [11] 张冬晓, 何永强, 胡文刚, 陈一超.  自适应红外隐身系统的背景投影建模 . 红外与激光工程, 2016, 45(3): 304001-0304001(7). doi: 10.3788/IRLA201645.0304001
    [12] 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
    [13] 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.
    [14] 龚卫国, 刘润瑶, 张睿.  光照突变下融合多类特征的场景分割方法 . 红外与激光工程, 2014, 43(12): 4164-4169.
    [15] 王华伟, 曹剑中, 马彩文, 张辉, 武登山.  具有自适应校正功能的红外成像系统设计 . 红外与激光工程, 2014, 43(1): 61-66.
    [16] 王兆丰, 闫镔, 童莉, 陈健, 李建新.  自适应邻域尺寸选择的点云法向量估计算法 . 红外与激光工程, 2014, 43(4): 1322-1326.
    [17] 杨一帆, 田雁, 杨帆, 黄彪.  基于改进Mean-Shift 算法的红外小目标跟踪 . 红外与激光工程, 2014, 43(7): 2164-2169.
    [18] 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.
    [19] 金雁, 江洁, 张广军.  高动态星跟踪方法 . 红外与激光工程, 2013, 42(1): 212-217.
    [20] 齐蕾, 张闻文, 陈钱, 顾国华.  EMCCD图像自适应模糊中值滤波算法研究 . 红外与激光工程, 2013, 42(11): 3150-3155.
  • 加载中
计量
  • 文章访问数:  388
  • HTML全文浏览量:  40
  • PDF下载量:  61
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-07-18
  • 修回日期:  2018-08-28
  • 刊出日期:  2018-12-25

基于双步相关滤波的目标跟踪算法

doi: 10.3788/IRLA201847.1226004
    作者简介:

    葛宝义(1994-),男,硕士生,主要从事计算机视觉目标跟踪方面的研究。Email:boyge500@163.com

基金项目:

国家自然科学基金(51307183)

  • 中图分类号: TP391.4

摘要: 针对目标跟踪中因目标遮挡、目标出视野导致的跟踪失败问题,为提高相关滤波目标跟踪算法的鲁棒性,提出了一种基于双步相关滤波的目标跟踪算法。首先根据方向梯度直方图特征不同单元大小目标表征的特点,提出双步相关滤波目标跟踪框架,在提高目标跟踪精度的同时保证了跟踪速度;然后融合多种目标特征,来获得目标更加全面的特征表征,以提高目标跟踪的鲁棒性;最后提出基于目标跟踪置信度指标的目标模板自适应更新策略,来解决目标遮挡时目标模板被污染的问题。实验在OTB100标准目标跟踪数据集上进行验证,通过与其他跟踪算法进行比较结果表明,该算法与其中最优跟踪算法相比,目标跟踪精度提升6.0%,目标跟踪成功率提升5.5%,平均跟踪速度为27.4 fps,保证了目标跟踪的实时性。实际目标跟踪应用中,在目标严重遮挡等情况下,该算法仍然可以对目标进行稳定精确地跟踪。

English Abstract

参考文献 (18)

目录

    /

    返回文章
    返回