利用选择性模型不定时更新的视觉跟踪算法

摘要：

目的 在目标跟踪中,基本粒子滤波算法和传统模型更新策略在遮挡、光照变化以及自身旋转等情况下通常存在鲁棒性较差的问题.为解决该问题,提出一种基于选择性模型不定时更新的粒子滤波视觉跟踪算法.方法 本文算法在粒子滤波框架下,定时检测目标变化,采用最速梯度下降法判断更新时机.仅当目标本身逐渐姿态改变而不受背景干扰时更新目标模型;在发生遮挡或光照改变较大时则不更新,保持当前模型继续跟踪.结果 通过对示例视频的计算机视觉跟踪,在跟踪目标中心位置误差、覆盖率、精度及成功率比较上,本文算法均能表现出较优的实验结果,这表明:本文算法能够对目标模型进行选择性更新,与对比算法比较,总体能够更加有效解决视频中遮挡、光照变化以及自身旋转等情况下的鲁棒跟踪问题.结论 由于本文算法未考虑尺度,在尺度不变的多种复杂变化条件下,本文算法均具有较好的鲁棒性.

关键词：目标跟踪、粒子滤波、最速梯度下降法、定时检测、选择性、不定时模型更新

所属期刊栏目：21

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目61175029,61473309;陕西省自然科学基金项目2015JM6269,2016JM6050;National Natural Science Foundation of China61175029,61473309;Natural Science Foundation of Shaanxi Province,China2015JM6269,2016JM6050

在线出版日期：2016-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：745-755