特征在线更新与加权的压缩跟踪算法.pdf

《特征在线更新与加权的压缩跟踪算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第33卷第4期信号处理Vol．33No．42017年4月JOUＲNALOFSIGNALPＲOCESSINGApr．2017文章编号:1003－0530(2017)04－0533－07特征在线更新与加权的压缩跟踪算法1，21，21，234封万里岑翼刚王艳红岑翼梁列全(1．北京交通大学信息科学研究所，北京100044;2．现代信息科学与网络技术北京市重点实验室，北京100044;3．中央民族大学信息工程学院，北京100081;4．广东财经大学电子商务研究院，广州510320)摘要:在目标跟踪中，针对目标外观改变使得目标丢失的

2、问题，本文提出了特征在线更新与加权的压缩跟踪(compressivetracking，CT)算法。首先基于压缩感知理论提取目标的矩形特征，根据每个特征对当前帧目标的分类效果判定其可靠性，及时更新不可靠特征;其次，实时增加可靠特征在分类器中的权重，从而突出可靠特征的重要性;最后将加权候选样本特征输入贝叶斯分类器，得到下一帧的目标位置。选取八组视频序列测试改进算法的效果，结果表明与传统的压缩跟踪，局部敏感直方图跟踪(localitysensitivehistogramstracking，LSHT)及在线自适应增强(onlin

3、eAdaBoost，OAB)算法相比，改进算法取得了更好的跟踪结果，并且在目标外观改变时依然跟踪准确，平均帧速为39fps，满足实时性要求。关键词:压缩感知;目标跟踪;外观改变;在线特征更新;加权特征中图分类号:TP391．41文献标识码:ADOI:10．16798/j．issn．1003-0530．2017．04．012CompressiveTrackingBasedonOnlineFeatureUpdatingandWeighting1，21，21，234FENGWan-liCENYi-gangWANGYan-hon

4、gCENYiLIANGLie-quan(1．InstituteofInformationScience，BeijingJiaotongUniversity，Beijing100044，China;2．KeyLaboratoryofAdvancedInformationScienceandNetworkTechnologyofBeijing，BeijingJiaotongUniversity，Beijing100044，China;3．SchoolofInformationEngineering，MinzuUniversi

5、tyofChina，Beijing100081，China;4．GuangdongKeyLaboratoriesonE-commerceMarketApplicationTechnology，GuangdongUniversityofFinanceandEconomics，Guangzhou510320，China)Abstract:Intheobjecttracking，objectisoftenlostbecauseoftheobjectappearancechanges．Thus，animprovedcom-pre

6、ssivetrackingalgorithmbasedontheonlinefeatureupdatingandweightingisproposedinthispaper．Firstly，therectan-glefeaturesareextractedbasedonthecompressedsensingtheory．Thereliabilityofeachfeatureisdeterminedaccordingtotheirclassificationperformancesforobjecttrackingint

7、hecurrentframe．Thenunreliablefeaturesareupdatedintime．Sec-ondly，thevaluesofreliablefeatures’weightsareincreasedinreal-timesuchthattheirimportancescanbeemphasized．Fi-nally，thesenewweightedcandidatefeaturesareinputtedintotheBeyesianclassifiertodistinguishtheobjectf

8、romback-groundinthenextframe．Eightchallengingvideosequencesarechosentoverifytheperformancesofourproposedalgorithm．Comparedwithtraditionalcompressivetrackingalg