Visual Tracking Using Pertinent Patch Selection and Masking阅读小结

摘要：

此论文提出了一种新的基于块外观模型的跟踪算法。首先将目标框分成大量的不重叠块，并选取重复出现在目标框中心的块作为切合块构建前景模型。将输入的图像分成不重叠的小块，在每个块的位置构建一个背景模型，并将这些背景模型作为一个整体用于跟踪。利用这些外观模型，我们可以得到一个较为准确的前景似然图。最后我们通过极大似然估计，并结合切合的掩膜得到目标的最佳位置。

关键字：

视觉跟踪、鲁棒性

1.引言：

目标跟踪是一个基本的视觉工具，以方便各种高级别的应用程序，包括监视，对象识别，事件分析，和智能机器人技术。尽管目前已经取得开发有效的跟踪算法，但是当检测和跟踪物体存在光照变化、构成的变化、复杂的运动、背景杂波，要获取相对稳定的跟踪效果仍然是具有挑战性的。在这些不利条件下，设计有效的外观模型是极为必要的。
最近，已经提出了许多外观模型和跟踪算法，这些模型可以粗略地分为边框模型、补丁模型。边框模型利用目标框提取对象特征，如颜色，纹理和运动。它对快速变化结构模型极其敏感，主要发生在动态序列，如电影和体育视频。补丁模型则是将边框分成大量的小块，再单独从块提取特征。它可以更灵活跟踪目标，但由于它没有明确区分前景patch和背景patch，可能会降低目标跟踪精度。
在本文中，我们提出了新的前景、背景外观模型，实现可靠和准确的跟踪。首先将目标框分成大量的不重叠块，并选取其颜色直方图可经常附近的边界框的中心在观察到的块作为切合块，构建前景模型。此外，我们还构建了本地的多背景外观模型。然后，利用前景和背景外观模型，我们得到前景似然图。最后，结合切合的掩膜来决定目标的最佳位置。

2.算法原理

2.1初始化目标框，建立一个跟踪对象的外观框架

在第一帧时，手动设置包含观测目标的（前景）边框Ω1；然后，将Ω1分解成8*8的不重叠的块，并获取每个块的HSV颜色直方图（利用颜色的显著特征来分析目标位置），然后进行前景模型优化处理：
首先，基于边框Ω1（边长w*h

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！