基于带权重多样例学习的视觉跟踪算法

原始在线加权的多示例学习跟踪假设每个示例是独立且在包中的贡献均相同,同时为所有正样本赋予相同的权重,这不符合"包中的示例与目标位置的远近,对目标贡献程度是不一样"的事实.再加上原始算法采取单一特征无法准确和全面地表示目标包中所包含的示例,从而影响了跟踪算法的鲁棒性.针对原始算法的这些问题,提出一种基于带权重多样例学习的视觉跟踪方法.该方法同时融合多特征(HOG特征和Haar特征),在多示例学习框架下同时训练分类器,并通过样本特征相似度的比较来赋予不同的权重.对不同场景的图像序列进行实验,通过在公共测试集上与多种主流算法做对比,显示这样得到的目标外表模型对于前景和背景具有更高的区分能力.结果表明:该算法具有更高的准确性和更强的适应性,可以有效克服传统多示例学习中的分类器退化问题.

一种采用提前终止判决法的图像匹配跟踪算法

针对原始遍历式匹配模式算法的时间复杂度高以及给视频图像目标跟踪系统的计算能力带来极大考验的问题,提出一种基于提前终止判决的归一化互相关匹配算法(zero-mean normalized cross correlation based on early termination condition,ZNCC-ETC)。在基于盒子滤波优化的遍历式ZNCC匹配算法(ZNCC based on Box-Filtering,ZNCC-BF)的基础上,发现ZNCC-BF算法在遍历匹配过程中存在着一个适当的阈值,一旦模板图与候选图的互相关累加值超过这个阈值,则后续任何计算即为冗余计算,而ZNCC-ETC则采用提前终止判决法实现图像的加速匹配跟踪,并通过对比实验进行验证与分析跟踪结果。分析结果表明:相对于标准ZNCC以及改进的ZNCC-BF,ZNCC-ETC算法能够在保证全局最大值收敛能力的前提下,进一步降低匹配过程中的计算量,实现加速匹配跟踪的目的。

基于DSP6678的KCF算法实现及优化系统设计

核相关滤波算法在目标旋转、部分遮挡等情况下具有很强的鲁棒性,但是其在实际工程上无法满足实时性跟踪的要求。借助DSP嵌入式平台,提出一种实时目标跟踪系统实现方案。首先,基于TMS32C6678处理器的硬件平台,对二维快速傅里叶变换(FFT2D)进行算法优化;其次,对KCF算法进行C语言级代码优化,包括循环展开、使用内联函数、使用关键字const等。实测结果表明,对640×480像素的图像,跟踪目标为32×64像素时,波门大小为64×128。在满足跟踪效果的同时,其跟踪速度最高达到25ms/帧,符合实时性要求。