基于不确定分解子空间约束光流的柔性目标点跟踪
Lasso约束下融和光流信息的DCF目标跟踪算法
Abstract： Video object tracking is a fundamental problem in computer vision． Ｒecently，due to the high efficiency and robustness of the discriminative correlation filter （ DCF） ，many DCF-based object tracking algorithms have emerged． In order to overcome the incompatibility of DCF tracker to motion blur object，this paper proposes a new algorithm that exploits Lasso constraints and integrates optical flow． First，the optical flow is integrated into the proposed tracker． Secondly，the objective function of DCF was constrained by Lasso． Consider the optimization efficiency of the constrained objective function， the block coordinate descent algorithm is used to optimize the constrained objective function． Compared with the DCF-based algorithms，the experimental results show that our algorithm can effectively track motion blur object and achieve robust tracking in complex environments． Key words： single object tracking； DCF； optical flow； Lasso
视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述1、引言运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在视频编码、智能交通、监控、图像检测等众多领域中。
本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。
2、视频监控图像的运动目标检测方法运动目标检测的目的是把运动目标从背景图像中分割出来。
运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。
目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。
背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。
所有这些特点使得运动目标的检测成为一项相当困难的事情。
目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。
2.1 帧差法帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设(,)k f x y 和(1)(,)k f x y +分别为图像序列中的第k 帧和第k+1帧中象素点(x ，y)的象素值,则这两帧图像的差值图像就如公式2-1 所示：1(1)(,)(,)k k k Diff f x y f x y ++=- (2-1)2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。
利用此原理便可以提取出目标。
下图给出了帧差法的基本流程：1、首先利用2-1 式得到第k 帧和第k+1帧的差值图像1k Diff +；2、对所得到的差值图像1k Diff +二值化（如式子2-2 示）得到Qk+1；3、为消除微小噪声的干扰，使得到的运动目标更准确，对1k Q +进行必要的滤波和去噪处理，后处理结果为1k M +。
111255,,(,)0,,(,)k k k if Diff x y T Q if Diff x y T+++>⎧=⎨≤⎩ （T 为阈值） （2-2）帧差流程图从结果看在简单背景下帧差法基本可检测到运动目标所在的位置，而且计算简单，复杂度低。
基于多层特征嵌入的单目标跟踪算法
基于多层特征嵌入的单目标跟踪算法1. 内容描述基于多层特征嵌入的单目标跟踪算法是一种在计算机视觉领域中广泛应用的跟踪技术。
该算法的核心思想是通过多层特征嵌入来提取目标物体的特征表示，并利用这些特征表示进行目标跟踪。
该算法首先通过预处理步骤对输入图像进行降维和增强，然后将降维后的图像输入到神经网络中，得到不同层次的特征图。
通过对这些特征图进行池化操作，得到一个低维度的特征向量。
将这个特征向量输入到跟踪器中，以实现对目标物体的实时跟踪。
为了提高单目标跟踪算法的性能，本研究提出了一种基于多层特征嵌入的方法。
该方法首先引入了一个自适应的学习率策略，使得神经网络能够根据当前训练状态自动调整学习率。
通过引入注意力机制，使得神经网络能够更加关注重要的特征信息。
为了进一步提高跟踪器的鲁棒性，本研究还采用了一种多目标融合的方法，将多个跟踪器的结果进行加权融合，从而得到更加准确的目标位置估计。
通过实验验证，本研究提出的方法在多种数据集上均取得了显著的性能提升，证明了其在单目标跟踪领域的有效性和可行性。
1.1 研究背景随着计算机视觉和深度学习技术的快速发展，目标跟踪在许多领域(如安防、智能监控、自动驾驶等)中发挥着越来越重要的作用。
单目标跟踪(MOT)算法是一种广泛应用于视频分析领域的技术，它能够实时跟踪视频序列中的单个目标物体，并将其位置信息与相邻帧进行比较，以估计目标的运动轨迹。
传统的单目标跟踪算法在处理复杂场景、遮挡、运动模糊等问题时表现出较差的鲁棒性。
为了解决这些问题，研究者们提出了许多改进的单目标跟踪算法，如基于卡尔曼滤波的目标跟踪、基于扩展卡尔曼滤波的目标跟踪以及基于深度学习的目标跟踪等。
这些方法在一定程度上提高了单目标跟踪的性能，但仍然存在一些局限性，如对多目标跟踪的支持不足、对非平稳运动的适应性差等。
开发一种既能有效跟踪单个目标物体，又能应对多种挑战的单目标跟踪算法具有重要的理论和实际意义。
1.2 研究目的本研究旨在设计一种基于多层特征嵌入的单目标跟踪算法，以提高目标跟踪的准确性和鲁棒性。
西北工业大学学报2007年第25卷总目录
１ ７ “ 龙腾 ” 微 处理器 存储 管理 单元 的设计 与实 现 … ……… …… ……… …… …… … 屈 文新 樊晓桠 （ ３ ） Ｒ２
自适应 多制式正 交 多载波 高速水 声通 信技术 研究 … ……… …… ……… 中晓红 黄建 国 张群飞等 （ ４ ） １ ２
主／ 被动雷 达导 引头信 息融合 方 法研 究 ……… ……… …… …… ……… …… ……… 葛致 磊 周 军 （ ４ ） １ ８ 基 于不确 定分解 子空 间约束 光 流的柔 性 目标 点跟 踪 ……… …… ……… …… …… … 侯 云舒 赵 荣椿 （ ５ ） １ ３
涡扇 发动机整 机环境 下压 缩部 件稳定 工作 边界计 算方法 …… ……… … 王 占学 王 鹏 乔渭 阳等 （６） ２ 基 于控制理论 方法 的跨声 速 弹性机翼 反设 计方 法研究 …… ……… …… 熊俊 涛 乔志德 杨旭 东等 （１ ）
７ 定常微 量喷气 提高轴 流压气 机 稳定工 作裕 度机理 探讨 …… ……… …… … 卢新 根 楚 武利 朱俊 强 （１ ）
灰关联 分析在 脑神 经信号 分类 中的应 用研 究 …… ……… ……… ……… 谢 松 云 张 海军 李
基于 多层 次灰 色关联 分析 的 图像 融合 效果评 价方 法 ……… …… ……… 何 贵 青 齐 华 王 毅等 （ ２ ） １ ６
一
１ ２ 种智 能反步 控制方 法及其 应 用 …… …… ……… ……… …… ……… … 刘 忠 梁晓庚 陈 眸 （ ３ ）
４ 受 压夹层板 的失效 模式 分析 及优化 设计 …… …… ………… …… …… …… 周 加喜 邓子辰 刘 涛 （７ ）
斜 视合成孔 径声纳 成像 的改进 距离一 多普 勒算 法
L0正则化增量正交投影非负矩阵分解的目标跟踪算法
L0正则化增量正交投影非负矩阵分解的目标跟踪算法王海军;葛红娟【摘要】针对传统跟踪算法不能在复杂场景下进行有效跟踪的问题,提出一种基于L0正则化增量正交投影非负矩阵分解(incremental orthogonal projective non-negative matrix factorization,IOPNMF)的目标跟踪算法.在粒子滤波框架下采用IOPNMF算法在线获得跟踪目标基于部分的表示以构建模板矩阵,然后将每帧中的候选样本建立基于模板矩阵的线性表示,对表示系数进行L0正则化约束,并提出快速数值解法,同时引入粒子筛选机制,加快跟踪速度.实验结果表明,新算法能够解决跟踪过程中出现的遮挡、光照变化、运动模糊等影响跟踪性能的因素,具有较高的平均覆盖率和较低的平均中心点误差.【期刊名称】《系统工程与电子技术》【年(卷),期】2016(038)010【总页数】7页(P2428-2434)【关键词】目标跟踪;L0正则化;粒子筛选【作者】王海军;葛红娟【作者单位】南京航空航天大学民航学院,江苏南京211106;滨州学院山东省高校航空信息技术重点实验室,山东滨州256603;南京航空航天大学民航学院,江苏南京211106【正文语种】中文【中图分类】TP391目标跟踪是计算机视觉领域一项重要的研究课题,在交通流量控制、人机接口、视频监控等领域得到了广泛的应用。
近年来,国内外学者对目标跟踪进行了大量的研究工作,大致可以分为两类:基于判别模型的目标跟踪[1-4]和基于生成模型的目标跟踪[5-7]。
基于判别模型的方法将目标跟踪看成是一个二分类问题,将被跟踪的目标物体从众多的背景中分离出来。
基于生成模型的方法把目标跟踪看成是从候选样本中寻找与目标模板中最相似的区域。
这类方法由于跟踪结果比较鲁棒,得到了国内外许多学者的关注。
例如,文献[8]提出增量视觉跟踪(incremental visual tracking,IVT)算法,该方法将每个候选样本用主成分分析(principal component analysis, PCA)基向量图像的线性组合来表示,并采用增量主成分分析方法对PCA 基向量进行更新以适应跟踪目标外观的变化,取得了不错的跟踪效果。
目标跟踪
目标跟踪摘要—文章首先简要概述计算机视觉中的目标跟踪任务，然后依据不同的目标描述方法将目标跟踪分为三类。
由于目标的突发性移动、复杂的目标结构、目标间的遮挡、摄像机移动等原因，目标跟踪变得十分困难。
所以，在不同的应用场景，为实现鲁棒性，通常会对跟踪问题附加约束条件。
为使跟踪最优化，选择合适的目标探测方法、运动模型和图像特征显得尤其重要。
最后，提出了目标跟踪领域仍需解决的问题。
关键词目标描述目标跟踪1. 简介在计算机视觉领域中，目标跟踪是一项重要任务。
随着高性能计算机的激增和高质量低价格的数码摄像机实用性的增强，为满足自动视频分析的需求，这使得目标跟踪算法成为了热门研究领域。
视频分析有以下三个重要步骤：（1）对关注的移动目标的探测；（2）对此类对象帧到帧的跟踪；（3）分析跟踪目标来辨识他们的行为。
简单来说，目标跟踪就是依据视频序列来估计目标的移动轨迹进而达到跟踪目的。
跟踪目标非常复杂的原因主要有以下各方面：（1）3 D世界映射到2 D图像引起的信息丢失；（2）图像中的噪声；（3）目标的外形及其运动的复杂性；（4）部分或全部的目标遮挡；（5）实时处理要求。
跟踪系统必须处理两个基本问题：移动和匹配。
移动问题：预测跟踪目标在多帧图像中位置的变化。
匹配问题：（探测或定位）在指定搜索区域内识别下一帧图像中的目标特征，并能在多目标中正确选择所要跟踪的目标。
对于跟踪过程的特殊性问题，如哪种目标描述是合适的、应采用哪种图像特征、目标的特征该如何建模等，研究者已提出众多目标跟踪方案。
这就要求根据跟踪目标的不同去选择最佳方案，才能使跟踪效果达到最佳。
2. 跟踪方案目标跟踪器的宗旨就是通过定位目标在视频的每一帧图像的位置来产生目标随时间变化的移动轨迹。
目标的探测和建立相关性的任务可以单独或共同进行。
一种情况是：用目标探测算法来获得每一帧图像中可能的目标区域，然后对照帧图像，跟踪器会建立与目标相符合的特征。
另一种情况是：通过循环更新由前一帧中得到目标的位置和区域信息来联合估计目标区域和相关性。
运动目标跟踪算法综述
运动⽬标跟踪算法综述 运动⽬标跟踪是视频监控系统中不可缺少的环节。
在特定的场景中，有⼀些经典的算法可以实现⽐较好的⽬标跟踪效果。
本⽂介绍了⼀般的⽬标跟踪算法，对⼏个常⽤的算法进⾏对⽐，并详细介绍了粒⼦滤波算法和基于轮廓的⽬标跟踪算法。
最后简单介绍了⽬标遮挡的处理、多摄像头⽬标跟踪和摄像头运动下的⽬标跟踪。
⼀、⼀般的⽬标跟踪算法 ⼀般将⽬标跟踪分为两个部分:特征提取、⽬标跟踪算法。
其中提取的⽬标特征⼤致可以分为以下⼏种： 1）以⽬标区域的颜⾊直⽅图作为特征，颜⾊特征具有旋转不变性，且不受⽬标物⼤⼩和形状的变化影响，在颜⾊空间中分布⼤致相同。
2）⽬标的轮廓特征，算法速度较快，并且在⽬标有⼩部分遮挡的情况下同样有较好的效果。
3) ⽬标的纹理特征，纹理特征较轮廓特征跟踪效果会有所改善。
⽬标跟踪的算法⼤致可以分为以下四种： 1) 均值漂移算法，即meanshift算法，此⽅法可以通过较少的迭代次数快速找到与⽬标最相似的位置，效果也挺好的。
但是其不能解决⽬标的遮挡问题并且不能适应运动⽬标的的形状和⼤⼩变化等。
对其改进的算法有camshift算法，此⽅法可以适应运动⽬标的⼤⼩形状的改变，具有较好的跟踪效果，但当背景⾊和⽬标颜⾊接近时，容易使⽬标的区域变⼤，最终有可能导致⽬标跟踪丢失。
2) 基于Kalman滤波的⽬标跟踪，该⽅法是认为物体的运动模型服从⾼斯模型，来对⽬标的运动状态进⾏预测，然后通过与观察模型进⾏对⽐，根据误差来更新运动⽬标的状态，该算法的精度不是特⾼。
3) 基于粒⼦滤波的⽬标跟踪，每次通过当前的跟踪结果重采样粒⼦的分布，然后根据粒⼦的分布对粒⼦进⾏扩散，再通过扩散的结果来重新观察⽬标的状态，最后归⼀化更新⽬标的状态。
此算法的特点是跟踪速度特别快，⽽且能解决⽬标的部分遮挡问题，在实际⼯程应⽤过程中越来越多的被使⽤。
4) 基于对运动⽬标建模的⽅法。
该⽅法需要提前通过先验知识知道所跟踪的⽬标对象是什么，⽐如车辆、⾏⼈、⼈脸等。
机载光电平台目标跟踪技术的研究
机载光电对抗稳定平台目标跟踪干扰技术是利用光电探测器、稳定平台和干扰 装置组成的一种综合技术。在军事应用中，该技术可有效识别、跟踪和干扰敌 方目标，从而提高我方武器的打击精度和作战效果。为此，开展机载光电对抗 稳定平台目标跟踪干扰技术的研究具有重要的理论和现实意义。
在机载光电对抗稳定平台目标跟踪干扰技术的研究过程中，我们采用了多种方 法和技术进行探索。首先，我们研究了机载光电对抗稳定平台目标跟踪干扰技 术的原理和实现方法，包括目标检测、跟踪和干扰算法的设计。其次，我们运 用最优估计理论对机载光电对抗稳定平台目标跟踪干扰技术进行优化，从而提 高目标跟踪的准确性和稳定性。
3、多传感器融合：为了提高目标跟踪的准确性和可靠性，未来的机载光电平 台将采用多传感器融合的技术，综合利用多种传感器的优点，实现对目标的全 方位监测和跟踪。
4、实时性和高效性：随着应用场景的复杂性和动态性的增加，对目标跟踪的 实时性和高效性要求也越来越高。因此，未来的机载光电平台目标跟踪技术将 更加注重实时性和高效性，能够快速准确地处理大量数据。
1、高精度和高分辨率：随着应用场景的不断扩大和复杂化，对目标跟踪的精 度和分辨率的要求也越来越高。因此，提高机载光电平台的探测精度和分辨率 将是未来的重要研究方向。
2、智能化和自主化：随着人工智能和机器学习技术的发展，未来的机载光电 平台目标跟踪技术将更加智能化和自主化，能够自动学习和适应各种复杂环境， 实现更加准确和可靠的目标跟踪。
机载光电平台目标跟踪技术的 研究
目录
01 一、机载光电平台目 标跟踪技术的原理 三、机载光电平台目
03 标跟踪技术的发展趋 势
02 二、机载光电平台目 标跟踪技术的应用
04 参考内容
随着科技的飞速发展，机载光电平台目标跟踪技术已经成为军事、航空、航天 等众多领域的重要支柱技术。这种技术利用光电传感器对目标进行探测和跟踪， 从而实现精确打击、导航、侦查等功能。本次演示将深入探讨机载光电平台目 标跟踪技术的原理、应用和发展趋势。
基于SIFT流红外弱小目标的检测和跟踪
基于SIFT流红外弱小目标的检测和跟踪
牛志彬;周越
【期刊名称】《微型电脑应用》
【年(卷),期】2010(26)1
【摘要】相邻帧图像的流场表现了有关目标物体和背景的运动特性.该文通过使用稠密SIFT局部特征描述子描述相邻帧图像像素,并以流的角度来处理,获得包含目标和背景的混合流场.由于红外弱小目标与其邻域背景具有明显的运动特性差异,而这必然会表现在求得的小目标和背景的混合流场中.根据该流场的平台-阶梯特性采用特定算法分割得到弱小目标的具体位置.实验表明,SIFT流方法克服了经典的使用光流实现弱小目标检测和跟踪的缺点,鲁棒性强,不失为一种新的处理红外弱小目标的思路.
【总页数】5页(P37-39,42,61)
【作者】牛志彬;周越
【作者单位】上海交通大学,上海,200240;上海交通大学,上海,200240
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于Kalman滤波的红外弱小目标检测前跟踪算法 [J], 王继平;孙华燕;章喜
2.基于FPGA+DSP的红外弱小目标检测与跟踪系统设计 [J], 李飞飞;刘伟宁;孙海江
3.基于显著图的红外弱小目标动态规划检测前跟踪算法 [J], 詹令明; 李翠芸; 姬红兵
4.一种适用于多场景的红外弱小目标检测跟踪算法 [J], 施天俊; 鲍广震; 王福海; 兰超飞; 巩晋南
5.一种对空红外弱小目标检测跟踪方法研究 [J], 王曙光; 石胜斌; 胡春生
因版权原因，仅展示原文概要，查看原文内容请购买。
基于光流法的运动目标检测与跟踪算法
高 性能 计 算 机 的 普及 、高 性 价 比摄像 头 的 广 泛 使 用 以及对 智 能 视 频 分 析 日益增 长 的需 求 ，许 多 性 能优 异 的跟 踪算 法 不 断 涌 现．智 能 视 频 分 析 主要 包括 三个 方 面 ：运 动 目标检 测 、图像 序列 中的 运 动 目标 跟踪 以及 目标 行 为 的认 知 分 析 ¨Ｊ．运 动 物 体 有多 种局 部 特 征 可 以用 来 进 行 跟 踪 ，常 用 的
ｉｓ ｈｉｄｄｅｎ，ｄｉｓａｐｐｅａｒｓ ｏｒ ｔｅｘｔｕｒａｌ ｆｅａｔｕｒｅｓ ｃｈａｎｇｅ． Ｅｘｐｅｒｉｍ ｅｎｔａｌ ｒｅｓｕｌｔｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｏｐｔｉｃａｌ ｆｌｏｗ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ＯＩ１ ｉｍｐｒｏｖｅｄ ｃｏｒｎｅｒ ｅｘｔｒａｃｔｉｏｎ ａｎ ｄ ｉｍａｇｅ ｐｙｒａｍ ｉｄ ｈａｓ ｂｅｔｔｅｒ ｔｒａｃｋｉｎｇ ｐｅｒｆｏｒｍ ａｎｃｅｓ． Ｔｈｅ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｃｏｕｌｄ ｂｅ ｆｉｌｔｅｒｅｄ ｅｆｆｅｃｔｉｖｅｌｙ
Ａｂｓｔｒａｃｔ：Ｈａｒｒｉｓ ｃｏｒｎｅｒ ｐｏｉｎｔｓ ｗｅｒｅ ａｄｏｐｔｅｄ ａｓ ｔｒａｃｋｉｎｇ ｏｂｊｅｃｔｓ，ａｎｄ ｓｃａｌｅ ｓｐａｃｅ ｗａｓ ｉｎｔ ｒｏｄｕｃｅｄ
ｉｎｔｏ ｃｏｍ ｅｒ ｐｏｉｎｔ ｄｅｔｅｃｔｉｏｎ ｉｎ ｏｒｄｅｒ ｔｏ ｅｘｔｒａｃｔ Ｈ ａｒｒｉｓ ｃｏｒｎ ｅｒ ｐｏｉｎｔｓ ｉｎ ｆｅａｔｕｒｅ ｓｃａｌｅ． Ｔｈｅｎ ｃｕｒｖａｔｕｒｅ ｗａｓ ｃｏｍｐｕｔｅｄ ｔｏ ｆｉｌｔｅｒ ｏｕｔ ｆａｌｓｅ ｃｏｒｎ ｅｒｓ ａｎｄ ｅｎｈａｎｃｅ ａｄａｐｔａｂｉｌｉｔｙ ｔＯ ｓｃａｌｅ ｃｈａｎｇｅ． Ｏｐｔｉｃａｌ ｆｌＯＷ ｍ ｅｔｈｏｄ ｗ ａｓ ａｄｏｐｔｅｄ ｆｏｒ ｔｈｅ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈ ｍ ｂａｓｅｄ ｏｎ ｉｍ ａｇｅ ｐｙｒａｍ ｉｄ，ｉｎ ｗ ｈｉｃｈ ｔｈ ｅ ｏｐｔｉｃａｌ ｆｌｏｗ ｉｔｅｒａｔｉｖｅｌｙ ｗａｓ ｃｏｍｐｕｔｅｄ． Ａｎｄ ｔｈｅ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｔｈｅ ｏｐｔｉｃａｌ ｆｌＯＷ ｅｒｒｏｒ ｗａｓ
一种基于稀疏表达和光流的目标跟踪方法
一种基于稀疏表达和光流的目标跟踪方法牛一捷【摘要】提出一种将稀疏表达技术融入到传统光流算法的目标跟踪方法.首先使用FAST和Harris算法在视频序列的每一帧中为光流算法采集运动目标的特征点,之后光流算法基于后向跟踪-形心配准的方法对跟踪目标完成粗略定位.在当前帧的粗略定位处应用仿射变换产生N个候选区域.最后应用稀疏表达技术判断出与原始目标匹配率最高的仿射变换区域做为最终目标跟踪区域.实验结果表明,该算法既能较好地适应目标的外观变化,又具有较强的抗遮挡能力,鲁棒性强.【期刊名称】《大连交通大学学报》【年(卷),期】2014(035)002【总页数】6页(P102-107)【关键词】跟踪;稀疏表达;光流;仿射变换;FAST【作者】牛一捷【作者单位】大连交通大学软件学院,辽宁大连116028【正文语种】中文0 引言随着计算机技术的高速发展，计算机视觉研究领域受到了越来越多研究者的关注.目标跟踪是其中备受关注的前沿方向，在人机交互、安全监控、虚拟现实、医学、体育等方面都有广泛应用.虽然已经取得了一些进展，但到目前为止还没有一个通用算法适用于所有问题.这是因为目标跟踪问题受到多种因素影响，如:内在因素包括目标物体位置、形状和尺度的变化等;外在因素包括光照变化，摄像机运动及视角转换，遮挡、复杂背景等.传统的经典目标跟踪方法有:光流法［1］、meanshift、kalman、粒子滤波.这些算法的准确率较低，表现为跟踪目标易发生漂移并很快中断跟踪任务.近年来，随着模式识别技术的发展，研究人员开始将跟踪问题看成目标检测、目标识别等模式识别问题，提出了很多算法，其中最具有代表性的有:Online Adaboost［2］，BeSemiT［3］，TLD［4］等.这类方法在实际应用中跟踪的准确率较高，但是需要提前学习并且在新的一帧到来时需要进行大量的识别操作，对于对实时性要求比较高的跟踪问题来说是一个瓶颈问题.本文鉴于上面两类算法的优缺点，提出一种光流算法和稀疏表达技术相结合的新算法(SROF).不仅能够较好的避免发生漂移和跟踪任务突然中断问题，而且算法的准确性也得到了很大的提高.1 传统光流算法光流的概念是Gibson在1950年首先提出来的.后来将光流法应用于跟踪问题，即利用图像像素点在时间域上的变化以及相邻帧之间的相关性来进而推断出跟踪目标在新一帧速度及方向的方法.根据选取像素点的数量，分为稠密光流和稀疏光流.稠密光流是图像中的每个像素点均参与运算，计算开销较大.稀疏光流仅由一组选定的像素点参与运算，因此在实际应用中较多地使用稀疏光流法.目前应用广泛的是Bruce D.Lucas和Takeo Kanade在1981年提出的 Lucas-Kanade(LK)算法［1］，本文也基于这个算法.本算法基于三点假设.(1)亮度恒定，像素在帧间运动时，像素值保持不变:(2)图像的变化相对于时间的变化微小，对图像约束方程使用泰勒公式展开，可以得到:即:令，则这个方程中，Ix，Iy是二维图像的偏导数，It是图像随时间的导数，u和v是所要求的速度在x，y方向分量，但目前对于单个像素，无解，于是有了第三个假设.(3)在一个小的局部区域(n×n)内像素运动一致，亮度恒定.记作光流计算的目的就是使得‖A最小化.2 稀疏表达技术稀疏表达技术是用比香农定律更低的采样率来表示和压缩信号.Mei，X.andH.Ling等将其引入到视频目标跟踪这一领域中［9-11］.稀疏表达的核心理论可以理解为在一组过完备基A∈Rd×n(使用n维传感器经d 次观测得到的某个信号的观测值)下，重构某个信号y.稀疏表达要求对信号y∈Rd 的重构系数向量x∈Rn尽可能地稀疏，转化为如下最小化问题:但上述I0－范数最小化问题是NP-hard问题，计算率极低.Tao等人在式(5)基础上证明了:在满足约束等距性(restricted isometry property，RIP)条件下，如下的I1－范数最小化问题是式(5)的I0－范数最小化问题的最紧表示［10］:这是一个凸优化问题，其求解效率要比式(5)高得多.再引入观测噪声，上述最优化问题可以松弛化表示为:对于上述最优化问题，有许多方法能够有效地求解，包括贪婪算法、L1最小化、LASSO，本文利用LASSO算法.3 仿射变换区域的生成跟踪目标在运动的过程中运动状态可能发生各种变化.在视频图像中，跟踪目标区域的运动状态包括目标区域中心的二维坐标、旋转角度、缩放尺度、宽高比、倾斜角等.这些变化将影响到跟踪目标的准确定位，式(8)表示如何生成目标区域可能的仿射变换区域.其中，(x，y)、(x'，y')分别是平面中相对应的两个点的坐标，(a0，a3)T为平移矢量，为旋转、伸缩、切变的合成变换的矩阵表示，ai均为实数.本文对6个参数ai 进行变化［8］，得到可能的目标仿射变换区域.选取的仿射变换区域越多，包含的目标仿射变换情况越多，算法的效果越好，但需要以牺牲效率为代价.4 SROF算法SROF算法的基本思路是:将目标跟踪任务分为两阶段:粗略定位和精确定位.第一阶段粗略定位，主体思想为光流算法.第二阶段精确定位，主体思想为模式识别思想.具体的算法流程如下:(1)初始化(a)在视频的第一帧中初始化跟踪目标，并提取正负样本;(b)用颜色特征表示正负样本，利用稀疏表达技术提取原始目标关键特征.(2)实时追踪for T=2，3，… ，t(t为视频序列总帧数)①粗略定位:(a)联合 Harris和FAST算法检测出的特征点和等间距像素点组成光流算法像素点集O.(b)采用后向跟踪－形心配准的方法，为跟踪目标在新一帧中计算粗略定位区域.②准确定位:(a)对粗略定位区域根据仿射变换法建立一组目标候选区域.(b)用颜色特征表示每个候选区域，利用稀疏表达技术计算每个候选区域与初始目标的正负样本的相似度比率，最终确定目标的准确位置.该算法关键技术分析:(1)光流算法特征点选定在稀疏光流算法中像素点的选取很重要，通常的算法是选取跟踪目标区域内的等间隔像素点集.这样选取的像素点不能代表跟踪目标的特点.本文在等间隔选取像素点的基础上添加上角点.角点是图像亮度发生剧烈变化或图像边缘曲线上曲率最大值的点.常用的角点检测方法有:Moravec、Harris［5］，SUSAN，FAST［6］，SIFT 等.本文选择经典的Harris和FAST来共同完成光流特征点的选定.FAST角点检测算法是目前为止速度最快的角点选取算法.FAST算法原理:检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点.Harris角点检测算法是 Moravec角点检测算子的扩展.它的基本原理:当一个窗口在图像上移动，在平滑区域，窗口在各个方向上没有变化.窗口在边缘的方向上没有变化.但在角点处，窗口在各个方向上具有变化.Harris角点检测正是利用了这个直观的物理现象，通过窗口在各个方向上的变化程度，决定是否为角点.(2)粗略定位传统光流法的前提假设条件过多不适于实际的目标跟踪算法.具体的表现就是跟踪的准确性不高，在跟踪目标的过程中很快就会出现目标丢失的现象，而且无法重新找回跟踪目标，整个跟踪过程失败.因此，为了提高算法的准确性，采用后向跟踪－形心配准的方法［7］.具体算法:用(1)中产生的联合特征点集O应用到光流算法，之后得到在下一帧中对应的一组像素点集M.采用相同的光流方法，前后两帧对调，在上一帧中找到点集M对应的点集Q.计算O点集和Q点集对应点的欧式距离，把距离大于点集M，Q中所有对应两点之间平均距离的点舍弃.利用剩余点前后帧之间的位置偏移来计算跟踪目标的所在位置.(3)原始跟踪目标关键特征提取第一阶段已经得到了跟踪目标的粗略位置，接下来要应用模式识别的思想，对跟踪目标进行精确定位.首先要根据原始跟踪目标选取正负样本.为了考虑到跟踪目标可能的变化，对初始跟踪目标区域(图1(a)中间方框)，根据3中仿射变换方法建立正样本Np.选取跟踪目标区域外围有部分重叠的部分(图1(b)沿着大方框边缘，移动红色方框一圈，且红色方框和中间的目标方框相同大小)建立负样本.正负样本Nn记录了初始跟踪目标特征.负样本记录了背景特征.图1 正负样本选取示意图正负样本都用颜色直方图表示.颜色特征是一种全局特征，即以整个图像为单位提取的特征，如:颜色、纹理等.本文使用颜色直方图，它是不同色彩在整幅图像中所占的比例.对于RGB图像在每个通道上，共有256个取值，那么一副图像就共有256×3个取值.一个样本表示为一个列向量，列向量为768×1.但是这些取值中存在大量的冗余信息，这些冗余信息会干扰到目标的正确识别.通常可以采用降维的方法进行处理，如PCA或稀疏表达.本文采用稀疏表达方法来提取关键特征维.根据2的理论分析，将稀疏表示问题可描述为如下LASSO最小化问题:令矩阵)，A 由表示正负样本的行向量组成，即a1，a2，…，am表示正样本Ap，am+1，am+2，…，an 表示负样本 An.向量y(y∈Rn×1)的每行元素对应到A(A∈Rn×768)中的每一个列向量，+1表示正样本，－1表示负样本.根据LASSO 计算出x(x∈R768×1)，x中的非零元素对应于768维中哪些是关键特征维.(4)精确定位对粗略定位区域利用3中的仿射变换技术建立一组候选区域，由于候选区域越多算法准确率越高，但算法效率将受到影响.本文的策略是当上一帧置信度比较小时，本次仿射候选区域成倍增加，以便获得更好的跟踪区域，提高算法准确率.再次利用稀疏表达方法，完成精确定位.对于每一个候选区域同样用768维的颜色直方图表示，所有候选区域组成矩阵P.用(3)得到的x，对P进行简化，y=Px.接着对(3)中A矩阵简化，即A=Ax.将简化后的y，A代入式(9).利用 LASSO计算新的，此处的表示每个候选样本可以由A中正负样本中的哪些关键样本表示.最后根据x'，计算每个候选样本的关键样本表示中正负样本所在比例来最终确定哪个候选样本为最终跟踪目标.具体计算公式为式(10)～(12)这里的Ap，An分别表示A中对应正负样本子集，x'p，x'n，分别表示对应正负样本子集的那部分元素子集.recP，recN表示计算每一个候选区域如果只用正样本和负样本表示的误差，最后用式(12)计算出每个候选样本和正负样本之间的误差比率，选取值最大的那个候选区域为最终跟踪目标区域，r的经验值取0.4.5 实验结果本文实验环境为:CPU:Intel(R)Core(TM)i3-2350M 2.30GHz，内存:2GB，显存512MB，操作系统为win7，仿真软件为Matlab(R2012b).使用faceocc2数据集，这个数据集中包含了严重遮挡、目标物体位置、形状和尺度的变化等在实际目标跟踪过程中常遇到的难题.数据集中图像大小为320×240，共819帧.为了比较，在faceocc2数据集上除了运行本文算法SROF外，还运行了三个目前最具代表性的算法:BoostT、BeSemiT和TLD.测试参数的选定:算法初始化时，选取正样本Np为50个，负样本Nn为200个.精确定位中，仿射候选样本的选定，本文选定置信度大于0.9，选取100个候选区域，0.9～0.8之间，选定 200个候选区域，其他选定300个候选区域.式(9)用于生成原始跟踪目标关键特征时，λ=0.001.式(9)用于精确定位时，λ=0.01.本文具体数值的选定皆是经验值.图2是BoosterT、BeSemiT、SROF四个算法的跟踪结果对比图.图3是中心位置误差对比图，通过计算每一帧手工标定的实际目标中心点坐标和四个算法在每一帧的跟踪结果中心点坐标之间的欧式距离得到该图.图2 跟踪结果对比图根据图2，对实验结果分析如下:当目标发生部分遮挡时，如165帧，当目标位置发生变化时，如399帧，除了BeSemiT发生了严重偏移，其余三个算法都定位出目标.当目标的形状和尺度的变化时，如588帧，BeSemiT和TLD都跟丢，BoostT的跟踪结果都发生了严重偏移，当跟踪目标被完全遮挡时，如709帧，BeSemiT和TLD都跟丢，BoostT发生了严重偏移.本文算法在整个跟踪过程中都能较准确的跟踪目标，尤是当目标完全遮挡的情下还能较为准确的标定目标位置，如709帧，但是对于复杂运动，如429帧，当目标连续出现偏移之后又发生遮挡的情况，本文的算法也出现了偏移，需要进行改进，另外，在429帧，只有BoostT取得了较好的跟踪效果.根据图3，可以发现本文SROF算法在整个跟踪过程中稳定地保持着较高的准确性.图3 中心位置误差对比图6 结论本文实现了一个新的目标跟踪算法.在整个算法框架上，本文将传统光流跟踪算法和模式识别思想相结合，采用两阶段跟踪目标定位的思路，最终确定出准确的目标跟踪区域.在目标区域的表示上，本文用到了全局颜色特征和局部角点特征，从不同角度描述目标，提高了算法的准确率.最重要的是将近年来较为流行的稀疏表达技术应用到了算法中，不仅用以清除目标表示的冗余信息，而且用于最终在一组候选样本中识别出最为准确的目标跟踪区域.虽然经实验证明本算法和目前较为流行的算法性能相当，甚至在有些情况下优于这些算法.但本文在一些环境条件下，准确率较低，还需要针对这些情况，提高算法的适应性和准确性.参考文献:［1］Lucas B D，Kanade T.An iterative image registration technique withan application to stereo vision［C］//IJCAI，1981，81:674-679.［2］Grabner H，Bischof H.On-line boosting and vision［C］//Computer Vision and Pattern Recognition，2006 IEEE Computer Society Conference on IEEE，2006，1:260-267.［3］Stalder S，Grabner H，Van Gool L.Beyond semi-supervised tracking:Tracking should be as simple as detection，but not simpler than recognition［C］//Computer Vision Workshops(ICCV Workshops)，2009 IEEE 12th International Conference on IEEE，2009:1409-1416.［4］Kalal Z，Mikolajczyk K，Matas J.Forward-backward error:Automatic detection of tracking failures［C］//Pattern Recognition(ICPR)，2010 20th International Conference on IEEE，2010:2756-2759.［5］Harris C，Stephens M.A combined corner and edge detector［C］//Alvey vision conference，1988，15:50.［6］Rosten E，Drummond T.Machine learning for highspeed corner detection［C］//Computer Vision–ECCV 2006.Springer Berlin Heidelberg，2006:430-443.［7］彭宁嵩.Mean—shift可视跟踪中的稳健性研究［D］.上海:上海交通大学，2005.［8］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.［9］Mei X，Ling H.Robust visual tracking using minimization［C］//Computer Vision，2009 IEEE 12th International Conference on IEEE，2009:1436-1443.［10］Candès E J，Romberg J，Tao T.Robust uncertainty principles:Exact signal reconstruction from highly incomplete frequency information ［J］.Information Theory，IEEE Transactions on，2006，52(2):489-509. ［11］Zhong W，Lu H，Yang M H.Robust object tracking via sparsity-based collaborative model［C］//Computer Vision and Pattern Recognition(CVPR)，2012 IEEE Conference on IEEE，2012:1838-1845.。
基于角点检测的光流目标跟踪算法_沈美丽
第30卷 第4期2007年8月电子器件Ch inese Jo u rnal Of Electro n Devi cesVol.30 No.4Aug.2007Optic Flow Target Tracking Method Based on Corner DetectionS H E N Mei -li 1,SONG H ua -j un21.S chool o f S cience ,Qingd ao Tech no logical University ,Qing dao S handong 266033,China ;2.Ch ina Univer sity o f Petro leum ,C o llege o f In f ormation and C ontrol En gineer ing ,Dong yin g S handong 257061,ChinaA bstract :In order to so lve target lost shortco ming s o f the traditio nal target tracking sy stem because of tar -g et ’s rotation ,transfo rm ation e tc ,a kind of new tracking method is proposed.This method uses Har ris co rner detection alg orithm to draw several ty pical targe t corne r features and then uses optic flow alg orithm to m atch the cor responding co rner point.In the end ,the target displacement is com puted by bary centre algo rithm.The proposed method uses the proper ty of co rner ex tracting algo rithm ’s high speed and repre -senting target ’s shape and optic flow match ’s high resolution.It is proved by test that this method a rrives at hig h tracking precision and has the robust feature to targe t ’s ro tation ,transform ation ,shelter ,etc.Key words :co rner detection alg orithm ;optic f1ow ;targe t tracking ;point match EEACC :6140C基于角点检测的光流目标跟踪算法沈美丽1,宋华军21.青岛理工大学理学院,山东青岛266033;2.中国石油大学信息与控制工程学院,山东东营257061收稿日期:2006-07-17作者简介:沈美丽(1976-),女,工学博士,现工作于青岛理工大学理学院电子教研室,主要研究方向信号检测和数字图像处理等,shenpe tty @.摘 要:为了解决传统目标跟踪算法在目标发生旋转、变形等情况下容易丢失的缺陷,提出了首先使用Har ris 角点算法提取几个目标角点特征,光流法进行匹配点配准,最后采用重心算法确定目标脱靶量的跟踪方法.利用了角点提取算法具有运算速度快且能代表目标形状特征的特点以及光流配准具有匹配精度高的优点.实验结果表明,该方法具有较高的跟踪精度,对于目标旋转、变形、遮挡都具有很高的鲁棒性.关键词:角点检测;光流法;目标跟踪;点配准中图分类号:TN911.73 文献标识码:A 文章编号:1005-9490(2007)04-1397-03 自动目标跟踪是指从通过成像系统进来的图像,自动地提取目标并识别跟踪,即通过一系列图像数据实现对目标的获取、识别和跟踪.目标检测与跟踪技术[1]的主要算法包括图像预处理、图像分割、目标检测、模板匹配、目标跟踪等.本文将角点检测使用在光流算法中对目标进行跟踪.由于角点检测属于低层次的图像处理,为进一步处理提供了重要的信息.角点检测被广泛使用,是因为它含有很高的信息量来反映图像的局部特征,能够更可靠的匹配图像,并且具有速度快、角点特征能代表目标形状信息等优点.因此,本文首先使用角点检测算法检测出几个代表目标形状的特征角点,当目标在运行过程中发生旋转、变形时,再使用光流法进行精确的点匹配,寻找出目标角点的新位置.由于匹配出角点的分散性,最后使用重心算法计算目标的脱靶量,实现自动的目标跟踪.1 角点检测角点[2]是图像的一个重要局部特征,它集中了图像上很多重要形状信息,且具有旋转不变性,几乎不受光照条件的影响,角点只包含图像中大约0.05%的像素点,在没有丢失图像数据信息的条件下,角点是最小化的要处理的数据量,加快了目标检测的速度.因此,角点检测具有一定的实用价值,尤其适用于实时目标跟踪等领域.目前,常用的角点检测算法[3-4]一般为S USAN 角点提取和Harris 方法.本文角点检测算法使用Ha rris 方法,其算法步骤为:(1)利用水平、竖直差分算子对图像的每个像素进行滤波以求得I x 和I y ,进而求得m 中的四个元素的值,即m =I 2x I x I y I x I y I 2u,I 2x =I x I x 和I 2y =I y I y ;(2)对m 的四个元素进行高斯平滑滤波,得到新的m .离散2D 零均值高斯函数表示为:[Gauss ]=ex p (-(x 2+y 2)2σ2);(3)利用m 计算对应每个像素的角点量矩阵[cim ],即[cim ]=I 2x *I 2y -(I x I y )2I 2x +I 2y ;(4)最后,在矩阵[cim ]中,同时满足[cim ]“大于某一阈值”和“[cim ]是某邻域内的局部极大值”这两个条件的,则该点认为是角点.显然,如果以物体的角点作为特征点,那么特征点的数量将显著减小,从而可大幅提高图像匹配的速度;如果提高阈值则提取的角点数减少;反之,若减小阈值,则提取的角点数变多.另外,求局部极大值的邻域大小也将会影响提取角点的数目和容忍度.图1是使用H arris 算法提取角点的实验结果.从图(a )可见,对于背景比较单一、没用发生任何变换的目标,提取的角点特征完全在目标上;图(b )是直升机的角点特征,尽管飞机发生了旋转,但大部分角点都被正确的检测出来.(a ) (b )图1 H ar ris 算法提取角点的结果2 光流匹配光流(Optical Flow )是Gibson [5-6]于1950年首先提出来的,是指图像灰度模式的表面运动.光流是图像各点的2D 瞬时运动,一旦给出图像的亮度模式,就可以利用时间变化的特征点匹配来度量视差.把图像中的角点作为特征点,首先在图像序列中检测和跟踪角点,然后记录角点在图像序列中的位置,这样可以通过相邻图像帧之间角点的位移场来计算光流场.光流估计的方法都是基于以下假设的:图像灰度分布的变化完全是由于目标或背景的运动引起的.也就是说,目标和背景的灰度不随时间变化.假设运动图像P (x ,y ,t )是关于变量x ,y 和t 的连续函数.设物体上某个像素点在时刻t ,位置(x ,y )的强度值为P (x ,y ,t ).如果用u (x ,y )和v (x ,y )表示物体在该点的水平和垂直速度分量,则在t +d t 时刻,图像点从(x ,y )移动到位置(x +d x ,y +d y ),强度值则变为P (x +d x ,y +d y ,t +d t ),其中d x =u d t 和d y =v d t 分别表示水平和垂直方向上的位移.根据H orn -Schunk 提出的图像强度守恒理论[4],物体上同一目标点在t +d t 时刻图像点(x +d x ,y +d y )强度P (x +d x ,y +d y ,t +d t )与t 时刻图像点(x ,y )强度P (x ,y ,t )相等,即P (x +d x ,y +d y ,t +d t )=P (x ,y ,t )(1)根据函数P (x ,y ,t )中变量x ,y 和t 的连续性,可将式(1)右边在(x ,y ,t )处作泰勒级数展开,去掉高阶项并在等式两边同时除以d t ,可得下面的公式P x d x d t + P y d y d t + P t =0(2)式(2)也可用下式表示P x (x ,y ,t )u (x ,y )+P y (x ,y ,t )v (x ,y )+P t (x ,y ,t )=0(3)公式(3)就是基本的光流约束方程[7](optical flow constraint equation ),它表示灰度对时间的变化率等于灰度的空间梯度与光流速度的点积.由于基本方程中有两个未知数u 和v ,所以只有基本方程是无法求解光流场的.于是,研究者在基本光流场方程基础上提出了很多约束条件和计算方法,如微分法、匹配法、频域法和马尔可夫随机场方法等[8].在实际计算中,基于微分的H orn -Schunck 方法用得很多.3 目标跟踪算法本文提出使用光流进行特征点配准跟踪的方法,主要思想是通过角点的光流匹配来实现目标跟踪.算法流程如图2所示.从图2可以看出,基本处理步骤为:(1)选中目标区域后,进行图像预处理,使用H arris 角点检测算法.提取目标的角点特征后,通过事先选择一定的目标区域,排除背景的角点;1398电 子 器 件第30卷(2)在下一帧图像中使用光流法进行图像角点配准.对于要匹配的后续帧图像而言,采用光流法进行点匹配,找到每个角点在新的一帧图像中对应的位置;(3)求配准点的区域密度,使用重心算法计算目标的脱靶量.图2 光流目标跟踪流程由于光流法配准的时候,匹配结果可能有部分少量点偏离目标位置,要确定目标的区域就不能以某一个角点为准,而要将所有的结果综合衡量.在实验中我们发现,当目标运动时,即使有部分的遮挡或旋转,大部分的匹配点仍然在目标附近,仅仅有少数点在目标之外.采用重心公式计算所有匹配点的重心,以此来确定目标的脱靶量.大多数光流计算方法相当复杂,抗噪声能力差.如果没有特别的硬件装置则不能被应用于全帧视频流的实时处理中.因此,光流分割方法不适合只有几个像素的目标情况,这种情况下光流计算的误差容易产生虚警.只有当图像捕获的间隔很短的场合,应用光流法才合适.4 实验结果图3是实验中的不同时刻的飞机目标采用光流法配准、跟踪的结果图.图中,原始参考点是由H ar -ris 角点检测算法计算出的,其中,图3(a )为参考点图像,图3(b )到3(d )为后续帧图像配准、跟踪结果.由于光流法配准的时候,匹配结果可能有部分少量点偏离目标位置,如图3(c )第166帧图像开始旋转,图3(d )是第288帧在拍摄过程中目标图像发生模糊现象,从实验结果发现,尽管目标在运动过程中发生旋转或者由于拍摄的影响产生模糊,但大部分的匹配点仍然在目标附近,仅仅有少数点在目标之外,鉴于此,使用重心公式计算所有匹配点的重心,以此来确定目标的脱靶量,保证了目标仍能被准确的配准和跟踪,说明光流配准方法仍然实现了较高的匹配精度.所以说,要确定目标的区域就不能以某一点为准,而要将所有的结果综合衡量.(a )第30帧图像点配准、跟踪结果(b )第70帧图像点配准、跟踪结果(c )第166帧图像点配准、跟踪结果(d )第288帧图像点配准、跟踪结果图3 飞机目标光流法配准、跟踪结果5 结论本文采用目标角点的匹配来实现自动目标跟踪,利用H arris 进行目标的角点检测,使用光流法对目标角点进行匹配.此算法具有较小的计算量,适用于跟踪快速运动的目标及较大目标.但是算法还不能达到实时性.对于图3的实验结果,匹配4个点,在赛扬2.2G H z 的CPU 的计算机上仿真时间达到6ms.参考文献:[1] Tissainayagama P ,Su ter D ,Object T racking in Image Se -quences Using Point Features ,Pattern Recognition.2005,38:105-113.[2] Wang H and Brady M ,Real -Time Corner Detection Algorithmfor M otion Estimation [J ].Image and Vision Compu ting ,1995,13(9):695-703.[3] H ARRIS C ,S TEPH ENS M.A Combined Corner and EdgeDetector [C ]//Proceedings of Fourth Alvey Vision Confer -ence.1988,147-151.[4] 陈乐.角点检测技术研究进展[J ].自动化技术与应用.2005,24(5).[5] E nkelman W.Inves tigations of M u ltigrid Algorithm s for theE stimation of Op tical F1ow Fields in Images S equences ,Com -puter Vis ion ,Graphics and Image Processing ,1998,43.[6] 刘国锋.光流的计算技术[J ].西南交通大学学报,1997,(12):856-863.[7] 谢存,孔祥维.利用光流预测Snakes 模型初期轮廓的动态图像轮廓追踪的方法[J ].中国图像图形学报,2000,8:666-669.[8] 基于光流场的视频运动检测[M ].哈尔滨工程大学,徐俊红2005.01.1399第4期沈美丽,宋华军:基于角点检测的光流目标跟踪算法。
基于L2范数和增量正交投影非负矩阵分解的目标跟踪算法
基于L2范数和增量正交投影非负矩阵分解的目标跟踪算法王海军;张圣燕【摘要】在贝叶斯框架下,基于增量正交投影非负矩阵分解目标跟踪算法能够适应各种复杂的场景,准确处理跟踪目标外观变化,取得了较好的跟踪效果,但是该算法计算量大,难以满足实时性要求.针对这一缺点,提出了一种基于L2范数和增量正交投影非负矩阵分解的目标跟踪算法,建立基于L2范数最小化和增量正交投影非负矩阵分解的目标表示模型,在贝叶斯框架下得出跟踪结果.实验结果表明,新算法能够较好地处理视频场景中的光照变化、尺度变化、局部遮挡、角度变化等干扰,有较低的中心位置误差平均值和较高的重叠率平均值,平均处理视频达4.08帧·S-1,能够满足实时性的要求.【期刊名称】《黑龙江大学自然科学学报》【年(卷),期】2015(032)002【总页数】8页(P262-269)【关键词】L2范数;增量正交投影非负矩阵分解;目标跟踪;贝叶斯估计;实时【作者】王海军;张圣燕【作者单位】南京航空航天大学民航学院,南京210016;滨州学院航空信息技术研发中心,滨州256603;滨州学院航空信息技术研发中心,滨州256603【正文语种】中文【中图分类】TP391目标跟踪作为计算机视觉领域的热门研究课题,在安全监控、视觉导航、交通监测、军事制导、人机交互等领域得到了广泛的应用。
目前,根据跟踪算法的原理不同,可将其分为基于判决模型的目标跟踪算法和基于生成模型的目标跟踪算法。
基于判决模型的目标跟踪算法可以看成是一个二值分类问题,这类方法的核心是设计将目标和背景分开的鲁棒的分类器以及解决跟踪过程中分类器的更新和正负样本的更新等问题。
但是基于判决模型的跟踪算法很难解决目标跟踪过程中的尺度、角度等自适应问题。
为了解决这个问题,很多学者开始研究基于生成模型的目标跟踪算法。
Ross等[1]提出了基于粒子滤波框架的增量视觉跟踪算法,该方法利用对低维子空间的增量学习来适应由姿态、光照等引起的目标外观的轻微变化。
基于稀疏子空间选择的在线目标跟踪
基于稀疏子空间选择的在线目标跟踪
黄丹丹;孙怡
【期刊名称】《自动化学报》
【年(卷),期】2016(042)007
【摘要】本文在粒子滤波框架下提出一种基于稀疏子空间选择的两步在线跟踪方法.在跟踪的第一步,利用稀疏子空间选择算法筛选出与目标状态相似性较高的候选区域,并将目标与背景间的过渡区域定义为单独的类别以降低目标发生漂移的可能;第二步则通过构建有效的观测模型计算候选区域与目标状态间的相似性,其中相似性函数综合考虑二者在整体和局部特征上的相似性,且将目标的原始状态和当前状态都作为参考,因此增强了观测模型的可靠性;最后利用最大后验概率估计目标状态.此外,该算法通过对目标数据的更新来适应目标的表观变化.实验结果表明该算法能有效处理目标跟踪中的遮挡、运动模糊、光流与尺度变化等问题,与当前流行的9种跟踪方法在多个测试视频上的对比结果验证了该算法的有效性.
【总页数】13页(P1077-1089)
【作者】黄丹丹;孙怡
【作者单位】大连理工大学信息与通信工程学院大连116024;大连理工大学信息与通信工程学院大连116024
【正文语种】中文
【相关文献】
1.基于协方差描述子稀疏表示的前视红外建筑物目标跟踪锁定 [J], 杨春伟;王仕成;廖守亿;刘华平
2.基于改进粒子滤波的稀疏子空间单目标跟踪算法 [J], 宫海洋;任红格;史涛;李福进
3.基于视觉显著图的结构反稀疏在线目标跟踪 [J], 胡正平;谢荣路;王蒙;孙哲
4.稀疏子空间的粒子滤波法在目标跟踪中的应用 [J], 贺若彬;武德安;吴磊;岳翰
5.基于稀疏子空间的卷积神经网络目标跟踪 [J], 李福进;李军;宫海洋
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进光流法的目标跟踪技术研究
基于改进光流法的目标跟踪技术研究
刘向前;闫娟;杨慧斌;贾茜伟
【期刊名称】《上海工程技术大学学报》
【年(卷),期】2021(35)3
【摘要】针对传统光流法处理视频序列时存在运行效率低及跟踪偏移问题,结合粒子滤波模型提出一种改进光流法的视频目标跟踪技术.该技术首先通过遍历法搜索运动点,采用质心定位方式捕获目标质心坐标,然后将得到的视频序列进行光流处理,最后经粒子滤波求解质心运动信息,以实现对视频中目标的精确检测与追踪.在不同场景下对不同数量、不同类型目标进行仿真跟踪试验,并与光流法、ViBe算法及YOLO算法进行比较.仿真结果表明,该跟踪技术可使目标跟踪的精准率有效提高5.2%,跟踪效率提高13.7%,同时表现出较好的鲁棒性.
【总页数】6页(P237-242)
【关键词】目标跟踪;粒子滤波;低时间复杂度;光流法;视频序列;质心定位
【作者】刘向前;闫娟;杨慧斌;贾茜伟
【作者单位】上海工程技术大学机械与汽车工程学院
【正文语种】中文
【中图分类】TP317.4
【相关文献】
1.基于区域卷积神经网络和光流法的目标跟踪
2.基于光流法的视频中目标跟踪
3.基于尺度不变特征的光流法目标跟踪技术研究
4.基于光流法与分块思想的目标跟踪算法
5.一种改进的基于光流法的运动目标跟踪算法
因版权原因，仅展示原文概要，查看原文内容请购买。
一种柔性机械臂末端轨迹跟踪的预测控制算法
Abstr act: A novel predict ive cont rol algorit hm was proposed t o solve t he problems of int ernal dynamics instabilit y and model inaccur acy encount er ed in endpoint t raject ory t racking of flexible manipulat ors. The end variables of a flexible manipulat or were decoupled from it s elast ic variables using t he t echnique of input2 out put linearizat ion, based on which a nonlinear predict ive cont rol system was designed through st at e feedback t o tr ansform t he t rajectory tr acking pr oblem t o a st ate t racking problem. A t rade2off among the endpoint tr acking error, t he elast ic variables and t he control input were made in t he cont rol system t o avoid the unst able int ernal dynamics. T he optimal cont rol law and the t orques t o drive t he joint s of t he flexible manipulat or wer e separat ely computed t o impr ove comput at ion speed. T he act ual output dat a were int ro2 duced for t racking err or compensation in order to reduce t he effect s of model deviat ion on t he endpoint tr acking accuracy. Simulat ion r esult s show t hat t he predict ive cont rol algorit hm can effect ively overcome the int ernal dynamics instability and solve the pr oblem of cont rol performance det er ioration made by model2mismatch wit h desirable real2t ime comput at ion speed. Key words: flexible manipulat or; endpoint traject ory t racking; predict ive cont rol 近年来, 应用轻质、 快速、 高负载自重比的柔性 机器人已成为工业和航空领域的一种趋势; 但由于 柔性机器人本身材料的特点导致运动过程中发生振
目标跟踪之轮廓跟踪（转）
⽬标跟踪之轮廓跟踪（转）轮廓跟踪形状复杂的⽬标难以⽤简单的⼏何形状来表⽰。
基于轮廓的⽅法提供了较为准确的形状描述。
这类⽅法的主要思想是⽤先前帧建⽴的⽬标模型找到当前帧的⽬标区域。
其中⽬标模型可以是颜⾊直⽅图、⽬标边缘或者轮廓。
基于轮廓的跟踪⽅法可以分为两类：形状匹配⽅法和轮廓跟踪⽅法。
前者在当前帧中搜索⽬标性状，后者则通过状态空间模型或直接的能量最⼩化函数推演初始轮廓在当前帧中的新位置。
1 形状匹配⽅法这种⽅法类似于基于模板的跟踪，在当前帧中搜索⽬标的轮廓和相关模型。
Huttenlocher et al.[1993] - ⽤基于边缘的表达⽅式进⾏形状匹配，⽤Hausdorff距离进⾏匹配测量。
Li et al. [2001] - 也提出了⽤Hausdorff距离的形状匹配⽅法。
另⼀种匹配形状的⽅法是在连续两帧中寻找关联轮廓，建⽴轮廓关联，或称为轮廓匹配，是类似于点匹配的⼀种⽅法。
这种⽅法使⽤了⽬标的外观特征。
-轮廓检测通常由背景减除实现。
-轮廓被提取后，匹配由计算⽬标模型和每个轮廓之间的距离实现。
-⽬标模型可以使密度函数(颜⾊或边缘直⽅图)、轮廓边界、⽬标边缘或这些信息的组合Kang et al.[2004] - 使⽤了颜⾊和边缘直⽅图作为⽬标模型Haritaoglu et al. [2000 - 使⽤了轮廓内部得到的边缘信息建模⽬标外观⽤光流法提取进⾏轮廓匹配也是⼀种思路。
如Sato and Aggarwal [2004] - ⽤Hough变换计算轮廓轨迹2 轮廓跟踪这种⽅法从前⼀帧的轮廓位置开始轮廓推演，得到当前帧的轮廓。
前提是当前帧和前⼀帧的⽬标轮廓有所交叠。
这类⽅法⼜有两种不同的实现⽅式，⽤状态空间模型建模轮廓的形状和运动，或直接⽤梯度搜索等轮廓能量最⼩化⽅法推演轮廓。
2.1 ⽤状态空间模型跟踪⽬标状态由轮廓的形状和运动参数定义。
状态在轮廓的后验概率最⼤化时更新。
Terzopoulos and Szeliski [1992] - ⽤控制点的运动定义⽬标状态，控制点的动态性⽤弹簧模型建模。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多帧 多点 光 流 估 计 矩 阵 变换 到 各 向 同性 的具 有 超球 状 方差 分 布 的 空 间 中， 此 变 换 空 间 中引入 在 Ｓ ＶＤ 分解得 到 最 小均 方意 义 下 的子 空间光 流逼 近 ， 有效 地减 度
不连 续 点的估计 问题 及 长序 列视 频的 漂移 问题 。 准测试 序 列和 消 费类 ＵＳ 标 Ｂ摄 像 头采 集 的测试序
备丰 富纹理 特征 时往往 效 果不 佳 ［ 。柔性 目标 跟踪 ４ 】
结果 都 证 明所 提 出 的算法 能 有效地 跟踪 较长 视频序
列 中具 有 ２Ｄ 和 １Ｄ 甚 至 基 本 没 有 纹 理 的 具有 退 一 － 化 结构 的柔 性 目标点 。
１ 不 确 定 分 解 理 论 的 引 入 和 应 用
关
键
词 ： 频跟 踪 ， 视 不确 定性 分 解 ， 空 间约 束 ， 流估计 子 光 文 献标识 码 ： Ａ 文章 编 号 ：０ ０２ ５ （０ ７ ０ — １ ３０ １ ０ — ７ ８ ２ ０ ） １０ ５ —６
中图分类 号 ： Ｐ ９ ． Ｔ ３ １４
光 流估计 技术 一直是 计算 机 视觉 领域 中 的研究
本文 以经典 的 Ｌ Ｋ 光 流方 程 为 出发点 ， 合 了 — 融
不 确定性 分 解理 论 来 解决 孔 径 问 题 ， 合 了子 空 间 融 光流理 论来解 决深 度 不连续 点估 计 和长序 列 视频 的
收 稿 日期 ：０ ５１— １ ２ ０— ２２
作者简介 ｔ 云舒 （９ ８ ， 侯 １ ７ 一） 西北工业大学博士生 ， 主要从 事模式 识别 和计算机 视觉的研究。
维普资讯
・１４・ ５
西
北
工 业
大 学
学
报
第 Ｚ 卷 ５
为 假设 在所 考察 窗 口内 各 点有 一 致 的 光 流 。 如果 但
（ ） 左 边 的系数 矩 阵接 近 奇异 或本 身 就奇 异 时 仍 １式
向 ， 特征 值 给 出 了在 上 述 方 向上不 确 定 性 的 定 ２个
Ｖｏ ． ５ Ｎｏ １ １２ ．
基 于 不 确 定 分 解 子 空 间 约 束 光 流 的 柔性 目标 点 跟踪
侯 云 舒 ，赵 荣椿
（ 北 工 业 大 学 计 算 机 学 院 ，陕西 西 安 ７０ ７ ） 西 １ ０ ２
摘
要 ： 出一种 基 于 不确定 分 解子 空间 约束光流 的 柔性 目标 点跟 踪 算法 ， 提 通过 不确定 分解理 论将
计算光 流 ， 但对 图 像边 界等 不连 续点 效果 不好 。 — ＬＫ 方法 ［有 简单 的数 学 求解 方 法 ， 它 只利 用 了某 象 ２ 但
素 的一 个很 小邻域 内的信息 ， 有一 定 的不稳 定性 。 具 Ａ ａ ｄ ｎ算 法ｉ 能 处理 大偏 移 的光 流 ， ｎｎａ － 。 但其 计 算 代 价较 大 。 上述 方法 有个 通病 ， 当待估计 的 目标点 不具
热点之 一 ， 已经形 成 了很 多成 熟 的算 法 ： Ｓ算 法［ Ｈ— １ ３
漂 移 问题 ， 而提 出一 种 高 效 的基 于 不确 定 性分 解 进
子 空间 约束光 流 的柔性 目标点 跟踪 算法 。标准 测试 序 列 和消 费 类 ＵＳ Ｂ摄 像 头 采集 的测 试 序列 的实验
利用 图像 的一 阶梯 度和 基于 平滑 假设 的正则化 技术
∑（ ） ＝∑ （ ） 一∑ （） 。ｂ ・ ｚ
ｇ ＝∑ （ ） ｈ Ｌ・ ＝∑ （ ） （ ・ ３ ）
式中， 、 分别表示图像在某一点 的空问时问 Ｊ、 ， 梯度 ， Ｆ＝ ｕ 口 ，］ 表示某点的光流。
（） １ 式提 供 了计算 某点 光 流 的 ２ 等式 ， 个 这是 因
维普资讯
２００７ ２月 年
西 北 工 业 大 学 学 报
Ｊ ｕ ｎ ｌ ｆｌｏ ｔｗｅ ｔｒ ｏｙｅ ｈ ｉａ ｎｖ ｒ ｉ ｏ ｒ ａ ｑ ｒｈ ｓｅ ｎ Ｐ ｌｔｅ ｎｅ ｌ ｉｅ ｓｔ ｏ ＇ Ｕ ｙ
Ｆｅｂ．
２ ７ ００
第 ２ 卷第 １ ５ 期
量 描述＿ 。 运用类似（ ） ～ （） ７式 ９ 式的过程可先将系
数 矩 阵作 本 征分解 ， 到 变换 矩 阵 Ｑ， 得 然后 用 Ｑ变换
然无法从中得出该点光流的可靠估计 。 通过更本质 的分 析不难 发现 ， 在高 斯 噪声 的假设 下 ， 系数矩 阵 该 可以被看作是光流估计 Ｆ的逆协方差矩阵， 且它的 ２个 特征 向量 给 出了该 点光 流 估计 的最 大最 小不 确
经 典 的 Ｌ Ｋ 光流 约束 方程 可 以表 示为 — 。 】
［ 三
口 一
嘲
㈤
（） ２
用 了不确定 性 分析 理 论 ， 其 与 矩 阵分 解 巧 妙结 合 将 在 一起 ， 得传 统 的 光 流估 计 算法 得 以改 进使 其 适 使
应跟 踪柔性 目标 中缺 乏纹 理 的 目标 点 。
１ １ Ｌ Ｋ 算 法 的 孔 径 问题 深 入 分 析 ． —
最近 正在 得到研 究 人员 的广 泛 关 注［ 。他 们 一般 ５ 卅］ 都是通 过预先 大量 手工 标定 的样 本训 练 出所跟 踪 目 标 的统计 模型 ， 后 利用 优 化 技 术来 估 计模 型 的参 然 数 以实 现跟踪 。 文提 出 的算 法 利用 了子空 间 约束 ， 本 但不 用训 练而 是 在算 法 中推 得 子 空 间 的基 ， 时利 同
列 的 实验结 果都 证 明算 法 能有 效地 跟踪 长视 频 序 列 中具 有 ２Ｄ和 １Ｄ 甚 至基 本 没 有 纹理 的具 有 一 一 退 化 结构的 柔性 目标 点 。结 果还 可应 用于 柔性 目标 理解 并 可 以作 为 半稠 密 的 点对 应 来解 决 Ｓ Ｍ Ｆ
中的对应 点求 解 问题 。