遮挡情况下目标局部特征在跟踪算法中的应用

J4 ›› 2012, Vol. 34 ›› Issue (4): 57-60.

遮挡情况下目标局部特征在跟踪算法中的应用

孟勃1，曲朝阳1，毛雯蓓2，郭晓利1

（1.东北电力大学信息工程学院，吉林吉林132012;北京航空航天大学计算机学院，北京 100191）

收稿日期:2011-11-05 修回日期:2012-02-10 出版日期:2012-04-26 发布日期:2012-04-25
基金资助:
吉林省自然科学基金资助项目（20101517）;东北电力大学博士科研启动基金资助项目（BSJXM201111）

Local Features for Occlusion in Object Tracking

MENG Bo1,QU Zhaoyang1，MAO Wenbei2,GUO Xiaoli1

（1.School of Information Engineering,Notheast Dianli Universtity,Jilin 132012;2.School of Computer Science,Beihang University,Beijing 100191,China）

Received:2011-11-05 Revised:2012-02-10 Online:2012-04-26 Published:2012-04-25

摘要/Abstract

摘要：

为了解决视频目标跟踪中的遮挡问题，本文提出了一种新的目标局部形状特征——仿射不变三角形来对目标进行描述，所提取的仿射不变三角形特征具有平移、旋转和尺度不变的特性，在各种异常情况下仍然能够稳定地表征目标。本文采用仿射不变三角形特征量来进行有效的遮挡状态的判断，并将目标未被遮挡部分的局部形状特征量与运动预测结合起来进行基于模板的匹配跟踪，能够避免遮挡所导致的目标外观数据改变而引起的目标运动状态计算的错误，以解决目标在跟踪中的遮挡问题。实验结果证明，本文提出的局部形状特征能够比较准确地判断目标的遮挡状态，并且能够有效地提高跟踪算法的准确性和稳定性。

关键词: 局部特征, 跟踪, 遮挡

Abstract:

To solve the occlusion problem of object tracking in videos, a local shape feature is proposed to estimate the occlusion state. In this correlate matching algorithm, the methods combine the local features which are not occluded and the motion predictions to calculate the object portion. In this way, the influence brought by the occluded is avoided. The experimental results show that the algorithm is robust to solving the occlusion problem, and the occluded state judged by the proposed local shape feature is correct.

Key words: local feature;object tracking;occlusion

孟勃1，曲朝阳1，毛雯蓓2，郭晓利1. 遮挡情况下目标局部特征在跟踪算法中的应用[J]. J4, 2012, 34(4): 57-60.

MENG Bo1,QU Zhaoyang1，MAO Wenbei2,GUO Xiaoli1. Local Features for Occlusion in Object Tracking[J]. J4, 2012, 34(4): 57-60.

[1]	马玉民, 钱育蓉, 周伟航, 公维军, 帕力旦·吐尔逊. 基于孪生网络的目标跟踪算法综述[J]. 计算机工程与科学, 2023, 45(09): 1578-1592.
[2]	曹玉东, 陈冬昊, 曹睿, 赵朗. 融合Mask R-CNN的在线多目标行人跟踪方法[J]. 计算机工程与科学, 2023, 45(07): 1216-1225.
[3]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[4]	刘南艳, 魏鸿飞, 马圣祥. 融合局部动态特征的面部表情识别[J]. 计算机工程与科学, 2023, 45(05): 849-858.
[5]	张小俊, 刘昊学. 轮式移动机器人轨迹跟踪控制研究[J]. 计算机工程与科学, 2022, 44(10): 1804-1811.
[6]	杨冬英, 贺江鹏 . 针对机动目标的改进型交互多模型跟踪算法研究[J]. 计算机工程与科学, 2022, 44(04): 686-691.
[7]	冯琪堯, 张惊雷, . 基于混合注意力机制的目标跟踪算法[J]. 计算机工程与科学, 2022, 44(02): 276-282.
[8]	方梦华, 姜添, . 基于无监督学习的无人机目标跟踪[J]. 计算机工程与科学, 2021, 43(06): 1024-1031.
[9]	赵应丁, 岳星宇, 杨文姬, 张吉昊, 杨红云, . 基于多特征融合卷积神经网络的显著性检测[J]. 计算机工程与科学, 2021, 43(04): 729-737.
[10]	张晓丽, 张龙信, 肖满生, 左国才. 快速多域卷积神经网络和光流法融合的目标跟踪[J]. 计算机工程与科学, 2020, 42(12): 2217-2222.
[11]	徐亮, 张江, 张晶, 杨亚琦. 基于VGG网络的鲁棒目标跟踪算法[J]. 计算机工程与科学, 2020, 42(08): 1406-1413.
[12]	张晶, 黄浩淼, 王健敏, 保峻嵘. 融合CN跟踪算法改进的TLD实时目标跟踪算法[J]. 计算机工程与科学, 2020, 42(07): 1215-1225.
[13]	李星辰，柳晓鸣，成晓男. 融合YOLO检测的多目标跟踪算法[J]. 计算机工程与科学, 2020, 42(04): 665-672.
[14]	黄云明1，张晶1,2，喻小惠1，陶涛3，龚力波4. 改进STC和SURF特征联合优化的目标跟踪算法[J]. 计算机工程与科学, 2019, 41(10): 1795-1802.
[15]	于振中，谷华航. 超前采样时间迭代学习的下肢康复机器人轨迹跟踪控制[J]. 计算机工程与科学, 2019, 41(10): 1892-1898.