没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
突变运动目标的鲁棒跟踪是计算机视觉领域的一个具有挑战性的问题.提出了一种基于视觉显著性的Wang- Landau蒙特卡罗采样(WLMC)跟踪算法,用于解决复杂场景下目标发生运动突变的跟踪问题.该算法首先对全局场景进行分块获取子区域,然后使用WLMC方法进行目标状态采样来跟踪发生运动突变的目标.算法将视觉显著性作为先验引入跟踪框架,提出了结合显著性先验的接受函数,通过每个子区域的显著性计算来引导马尔可夫链的构造.和以往方法相比,该算法既保留了WLMC采样方法对全局状态空间的广度覆盖性,又以视觉显著性特性引导
资源推荐
资源详情
资源评论
第
52
卷第
4
期
2013
年
7
月
厦门大学学报(自然科学版)
Vo
l.
52
No.4
Ju
l.
2013
Journal
of
Xiamcn
Univcrsity
CNatural Scicncc)
doi:
10.
6043/j.
issn.
0438-0479.
2013.
04.
012
基于视觉显著性的飞再
Tang-Landau
蒙特卡罗
采样突变目标跟踪算法
江晓莲,李翠华兴,刘镑,刘薇
(厦门大学信息科学与技术学院,福建厦门
361005)
摘要:突变运动目标的鲁棒跟踪是计算机视觉领域的一个具有挑战性的问题.提出了一种基于视觉显著性的
Wang
Landau
蒙特卡罗采样
CWLMC)
跟踪算法,用于解决复杂场景下目标发生运动突变的跟踪问题.该算法首先对全局场景
进行分块获取子区域,然后使用
WLMC
方法进行目标状态采样来跟踪发生运动突变的目标.算法将视觉显著性作为先
验引人跟踪框架,提出了结合显著性先验的接受函数,通过每个子区域的显著性计算来引导马尔可夫链的构造.和以往
方法相比,该算法既保留了
WLMC
采样方法对全局状态空间的广度覆盖性,又以视觉显著性特性引导采样,避免了全局
采样的盲目性,从而提高采样效率.实验结果表明,该算法对发生运动突变的目标进行跟踪,具有良好的鲁棒性.
关键词:突变运动跟踪;视觉显著性;
Wang-Landau
蒙特卡罗采样
CWLMC)
中图分类号:
TP
39
1.
4
文献标志码
:A
文章编号
:0438-0479(2013)04-0498-08
复杂背景下的运动目标跟踪一直是计算机视觉的
重要研究方向之一
[1-2J
其中,对突变目标的跟踪,由于
其运动的不可预测性,使之成为跟踪领域的难点.常见
引起目标发生运动突变的场景主要有
3
种(如图
1
所
示)
:1)带镜头切换的视频;
2)
目标发生运动突变的
视频
;3)
低帧率视频.目前主流的基于采样的跟踪算
法,如粒子滤波算法
[3-4J
、马尔可夫蒙特卡罗采样
CMC
MC)
方法[叫、数据驱动
MCMC
算法
[7J
等,大都基于
目标运动平滑性的假设,因此当目标发生运动突变时,
这些经典算法很容易丢失目标.
最直接解决突变运动困境的方法是对目标的状态
空间进行穷举搜索,但由于目标的状态空间通常是高
维巨大的,穷举方案在实践中并不具有可行性.目前针
对运动突变的主要算法有自适应马尔可夫蒙特卡罗采
样方法
CA-MCMC)[8J
,随机逼近蒙特卡罗采样方法
CSAMC)[9
1O
J
及
Wang-Landau
蒙特卡罗采样方法
CWLMC)[11-13J
等.其中,
A-MCMC
通过自适应地调整
运动方差来克服运动突变,它的缺点在于当目标的状
收稿日期
:2013-03-12
基金项目
z
国防基础科研计划项目;国防科技重点实验室基金项
曰:高等学校博士学科点专项科研基金项目
(20110121110020)
提通信作者:
chli@xmu.
edu.
cn
(a)
镜头切换情况
(b)低帧率视频
图
1
突变运动示例
Fig.
1 Example
of
abrupt
motion
态空间过大时,无法提供一个有效的采样策略,因而容
易陷入局部最优困境
;SAMC
算法和
WLMC
算法则
对全局状态空间划分子区域,然后进行两阶段采样.它
们通过各自的机制来保证采样点对全局状态空间的覆
盖,从而有效地捕获突变目标.这
2
种算法的缺点是由
于目标状态空间的广度性,基于全局无先验知识的采
样方法带有盲目性,因而采样效率较低.
近年来,视觉显著性检测方法逐渐受到关注.显著
性检测方法的输出结果是一个显著性灰度图,图中每
个像素的灰度值代表该像素在输入图像中的显著
1
在,
1
JtJ
j
江晓莲等:基于视觉
lEl
若
Ftt
的
Wang-Lanclau
蒙特卡罗采柯:突变日标跟踪算法
-
ny ny
l
r
.
度
11
跟著性检测的代表算法有由
ltti
等
i-
i
~)
J
提
11\
的基
于空间域的显著图计算模型、
Hou
等
LHìj
提出的基于频
谱域的显著性模型等.但这些经典模型在实际运用中
并未达到预期效果.
Federico
Perazzi
等
I1
于
2012
年
提出的显著性滤波器
(saliency
fil
tcrs)
算法句由于较快
的计算速度和出色的检测效果而受到关注.将视觉显
著性计算模型引人跟踪系统中,通过模拟人类特有的
视觉选择性注意机制,可以实现自底向上与自顶向下
模型的结合.
本文针对突变运动的特点,将视觉显著性作为先
验引人跟踪框架,提出了基于视觉显著性的
WLMC
跟踪算法.
1
视觉显著性计算
基于视觉的图像显著性计算是罔像处理领域一个
有价值的工具.将显著性计算引入到视觉跟踪领域,为
跟踪的采样阶段筛选重要区域,从而缩小目标搜索范
围.将计算资源优先分配给这些目标出现的高概率区.
从而提高跟踪效率.为跟踪算法的鲁棒性提供保障.
本文采用显著性滤波器算法
[IIJ
进行图像的显著
性估计.该算法基于对比度进行显著性估计,主要包括
以下
4
个步骤:
1)超像素提取
该算法首先使用改进版的
SLIC
(simple
linear
it
erative
clustering
algorithm)Llï-18
J
算法对原始图像进
行提取工作.显著性滤波器算了去对
SLIC
超像素方法
进行适当修改,采用更接近人类视觉的
CIE
Lab
空间
进行走
-means
聚类,从而对原图像进行提取操作.然后
对图像的提取结果进行元素的独特性度量和分布性
度量.
2)
独特性度量
所谓元素的独特性,是指该元素和其他元素的差
异性,描述了该元素从其他元素中凸显出来的能力.这
里的元素指的是图像提取操作中获得的超像素.显著
3)
分布性度量
虽然显著性意味着元素的独特性,但含有独特性
元素的区域并不一定就是显著性目标.一般情况下,属
于背景的颜色会相对分散于整个因像区域,而属于前
景目标的颜色在图像中则表现得相对紧凑集中.因此,
显著性滤榄器算法通过元素分布性度量来将邢些聚集
在图像某个特定区域的独特性元素渲染得比那些分布
于整个区域的独特性元素更加显著.
的显著图生成
显著罔生成步骤将独特性度量和分布性度量的结
果结合起来,然后将每个超像素的显著性值分配给该
超像素所包含的像素点,从而得到一个像素级的显著
性灰度图.
显著性滤波器算法的过程如图
2
所示.
2
WLMC
算法
WLMC
采样方法门
p
是统计物理学领域用于准
确估计状态密度
(density
of
states
,
DOS)
的方法之一.
所谓
DOS
,是指在一块给定能量的分区内含有的状态
数.由于要精确得到所有能量分区的
DOS
值较为网
难
.WLMC
方法通过蒙特卡罗采样来近似估计
DOS.
假设将能量空间
E
分成
d
个不相交的子能量
空间=
12=
Ei
门
EJ
=
白.
i #- j ,
l
,}
ε{1
,…
,
d}.~Ei
二
E.
(1)
all i
每个子空间的状态密度表示为
g(E
i
).该算法为
每个能量子空间建立直方图
h
(E
i
)
,
初始化为
0
,并进
行直方图统计.
采样方法通过随机游走访问每个能量子空间.当
某个子空间
Ei
被访问时,算法对相应的直方图
h
(E
i
)
进行加
1
操作,并修改该能量子区域的状态密度[
12]
g(E
i
) •
g(E
i
) X f ,
其中
f
为修正系数,通常取大于
1
的值.
(2)
性滤波器算法将元素
z
的独特性定义为元素
i
与其余
对所有
i
,
g
(E
i
)
初始化为
1
并且依据公式
(2)
逐
元素
1
在
CIELab
空间的加权距离之和.
步增长.随着蒙特卡罗模拟的进行,将会产生一个平坦
(a)
原图片
(b)提取
(。独特性
:1
(d)
分布性
(功显著性图
σ)
客观标注
图
2
显著性滤波器算法过程
[16J
Fig. 2
Ill
ustration
of the main phases of the saliency
filters
孔
19orithm
剩余7页未读,继续阅读
资源评论
weixin_38685694
- 粉丝: 4
- 资源: 899
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于SpringBoot的城市公交管理系统(编号:0638680).zip
- 健康中国2030框架下智慧医药医疗博览会方案
- 基于springboot的房屋租赁管理系统(编号:07690162).zip
- ZZU数据库原理实验报告
- 基于SpringBoot的农业收成管理系统(编号:09468111).zip
- 基于SpringBoot的社区流浪动物救助系统(编号:34219152).zip
- 基于SpringBoot的特殊儿童家长教育能力提升.zip
- 基于Springboot的实验报告系统(编号:82862159).zip
- 基于SpringBoot的小区运动中心预约管理系统的设计与实现_1p95h88y_210-wx-.zip
- 售酒物流平台需求规格说明书-核心功能与实现方案
- 生化技术:新型加热器用平行软线的材料配方与制备方法
- c-programming-a-modern-approach-second-edition
- 艾利和iriver Astell&Kern SP3000 V1.17升级固件
- 垃圾废物检测1-YOLO(v5至v11)、COCO、CreateML、Paligemma、VOC数据集合集.rar
- 基于java实现堆排序
- 喜庆吉祥迎新年.mp3
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功