分布场的多特征融合目标跟踪方法

doi:10.3969/j.issn.1001-2400.2015.04.001

J4 ›› 2015, Vol. 42 ›› Issue (4): 1-7.doi: 10.3969/j.issn.1001-2400.2015.04.001

• 研究论文 • 下一篇

分布场的多特征融合目标跟踪方法

宋长贺1;李云松1;宁纪锋2;牟永强3

(1. 西安电子科技大学综合业务网理论及关键技术国家重点实验室，陕西西安 710071；
2. 西北农林科技大学信息工程学院, 陕西杨凌 712100;
3. 惠普公司打印与内容交付实验室, 上海 201203)

收稿日期:2014-03-24 出版日期:2015-08-20 发布日期:2015-10-12
通讯作者: 宋长贺
作者简介:宋长贺(1985-)，男，西安电子科技大学博士研究生，E-mail: fdenkle@126.com．
基金资助:
国家自然科学基金资助项目(61222101, 61301287, 61301291, 61350110239)；111基地资助项目(B08038)；中央高校基本科研业务费专项资金资助项目(QN2013055, K5051201043, K5051301015)

Study of multi-feature fusion methods for distribution fields in object tracking

SONG Changhe1;LI Yunsong1;NING Jifeng2;MOU Yongqiang3

(1. State Key Lab. of Integrated Service Networks, Xidian Univ., Xi'an 710071, China;
2. College of Information Engineering, Northwest A＆F Univ., Yangling 712100, China;
3. Print ＆ Content Delivery Lab., Hewlett-Packard Company, Shanghai 201203, China)

Received:2014-03-24 Online:2015-08-20 Published:2015-10-12
Contact: SONG Changhe

摘要/Abstract

摘要：

针对分布场目标跟踪算法中使用分布场的目标模型估计鲁棒性较弱的问题，提出一种将分布场与其他特征有效融合的方法，来提高分布场特征表示的有效性．在对每个像素点进行分布场估计时，原始算法仅通过该点的灰度直方图来估计其在灰度空间上的分布，并没有考虑该点的位置与结构信息．为了实现在分布场中对目标结构信息的有效表示，通过对目标中包含结构信息的特殊点进行特殊编码以实现结构信息的融合．实验表明，对于一些复杂环境下的挑战视频序列，融合了结构信息的分布场比原始分布场在目标跟踪的成功率上具有显著优势，且优于当前流行的4种目标跟踪方法．

关键词: 目标跟踪, 多特征融合, 分布场, 边缘检测, 特征点, 目标模型

Abstract:

In order to improve the robustness of the distribution fields (DF) as an object model in object tracking, we propose a mutli-feature fusion framework for the distribution fields. In the original DF-based method, the density histogram was used to estimate the DF of a pixel, but the structural information was ignored. For effective representation of the structural information in the DFs, a special type of coding for the featured points which contain structural information is merged into the DFs. Experiments show that the new method outperforms the original method and four other state-of-the-art tracking algorithms for some challenging video clips.

Key words: object tracking, multi-feature fusion, distribution fields, edge detection, feature points, object model

宋长贺;李云松;宁纪锋;牟永强. 分布场的多特征融合目标跟踪方法[J]. J4, 2015, 42(4): 1-7.

SONG Changhe;LI Yunsong;NING Jifeng;MOU Yongqiang. Study of multi-feature fusion methods for distribution fields in object tracking[J]. J4, 2015, 42(4): 1-7.

参考文献

［1］ Wu Y, Lim J W, Yang M H. Online Object Tracking: a Benchmark［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington: IEEE Computer Society, 2013: 2411-2418.
［2］ Comaniciu D, Ramesh V, Meer P. Real-time Tracking of Non-rigid Objects Using Mean Shift［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition: 2. Los Alamitos: IEEE, 2000: 142-149.
［3］ Zhou H, Yuan Y, Shi C. Object Tracking Using Sift Features and Mean Shift［J］. Computer Vision and Image Understanding, 2009, 113(3): 345-352.
［4］ Takala V, Pietik M. Multi-object Tracking Using Color, Texture and Motion［C］//IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2007: 3730-3736.
［5］ Sevilla-Lara L, Learned-Miller E. Distribution Fields for Tracking［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington: IEEE Computer Society, 2012: 1910-1917.
［6］ Ning J, Shi W, Yang S, et al. Visual Tracking Based on Distribution Fields and Online Weighted Multiple Instance Learning［J］. Image and Vision Computing, 2013, 31(11): 853-863.
［7］ Felsberg M. Enhanced Distribution Field Tracking Using Channel Representations［C］//Proceedings of the IEEE International Conference on Computer Vision. Piscataway: IEEE, 2013: 121-128.
［8］ Kristan M, Pflugfelder R, Leonardis A, et al. The Visual Object Tracking VOT2013 Challenge Results［C］//Proceedings of the IEEE International Conference on Computer Vision. Piscataway: IEEE, 2013: 98-111.
［9］ Zhang K, Song H. Real-time Visual Tracking via Online Weighted Multiple Instance Learning［J］. Pattern Recognition, 2013, 46(1): 397-411.
［10］ Ning J, Shi W, Yang S, et al. Improved Appearance Updating Method in Multiple Instance Learning Tracking［J］. IET Computer Vision, 2014, 8(2): 118-130.
［11］ Kalal Z, Mikolajczyk K, Matas J. Tracking-learning-detection.［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 34(7): 1409-1422.
［12］ Babenko B, Yang M H, Belongie S. Visual Tracking with Online Multiple Instance Learning［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2009: 983-990.
［13］ Zhang K, Zhang L, Yang M. Real-time Compressive Tracking［C］//Proceedings of 12th European Conference on Computer Vision. Heidelberg: Springer-Verlag, 2012: 864-877.

[1]	宋建锋,苗启广,王崇晓,徐浩,杨瑾. 注意力机制的多尺度单目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 110-116.
[2]	王海军,张圣燕,杜玉杰. 响应差异约束的相关滤波无人机目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 149-155.
[3]	顾兆军,陈辉,王家亮,高冰. 一种小型四轴飞行器目标跟踪控制算法[J]. 西安电子科技大学学报, 2021, 48(5): 117-127.
[4]	毛昭勇,王亦晨,王鑫,沈钧戈. 面向高速公路的车辆视频监控分析系统[J]. 西安电子科技大学学报, 2021, 48(5): 178-189.
[5]	逯彦,廖桂生,黄庆享. 结合稀疏表示的跨摄像头运动目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(2): 197-204.
[6]	张逸宸,水鹏朗. 一种改进的泊松点过程概率多假设跟踪方法[J]. 西安电子科技大学学报, 2021, 48(2): 27-34.
[7]	成磊,王玥,田春娜. 一种添加残差注意力机制的视觉目标跟踪算法[J]. 西安电子科技大学学报, 2020, 47(6): 148-157.
[8]	李翠芸,李洋,姬红兵,石仁政. 一步数据关联GLMB扩展目标跟踪算法[J]. 西安电子科技大学学报, 2020, 47(5): 137-143.
[9]	余志超,张瑞红. 结合深度轮廓特征的改进孪生网络跟踪算法[J]. 西安电子科技大学学报, 2020, 47(3): 40-49.
[10]	张昀普,单甘霖,段修生,王猛. 主/被动传感器辐射控制的调度方法[J]. 西安电子科技大学学报, 2019, 46(6): 67-74.
[11]	王明杰,姬红兵,刘龙. 噪声野值下的学生t分布混合CPHD滤波[J]. 西安电子科技大学学报, 2019, 46(5): 134-141.
[12]	宋建锋,苗启广,申猛,权义宁,陈毓生. 多特征融合的相关滤波红外单目标跟踪算法[J]. 西安电子科技大学学报, 2019, 46(5): 142-147.
[13]	李翠芸,陈东伟,石仁政. 自适应目标新生δ广义标签多伯努利滤波算法[J]. 西安电子科技大学学报, 2019, 46(2): 12-16.
[14]	王海军,张圣燕. 自适应权值卷积特征的鲁棒目标跟踪算法[J]. 西安电子科技大学学报, 2019, 46(1): 117-123.
[15]	唐国良. 抗模糊的图像局部特征描述子[J]. 西安电子科技大学学报, 2019, 46(1): 39-45.

分布场的多特征融合目标跟踪方法

Study of multi-feature fusion methods for distribution fields in object tracking

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10