注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

BeyondEgo

Welcome to Winsolider's yard! 超越自我,谁与争锋?

 
 
 

日志

 
 
关于我

本博为记事、畅聊、交友博客,邀你共同探讨人生、探讨成长,广交天下有志之士!愿与有相同兴趣爱好的你,共同学习、一起成长、收获喜悦!

网易考拉推荐

目标跟踪算法优劣对比  

2013-06-06 15:16:39|  分类: 图像处理 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

MeanShift跟踪算法 

该算法是通过人机交互的方式对被跟踪目标进行初始化的。在起始帧,手动确定一个包含所有目标特征的矩形或椭圆,我们称之为被跟踪目标的目标区域,这个目标区域也是核函数作用的区域,区域的大小等于核函数的带宽(或者称尺度”)。假定我们在彩色的视频序列图像中跟踪目标,因此,图像像素的值域是RGB颜色空间,按照直方图的方式将RGB颜色空间中的每个子空间RG或者B空间分成k个相等的区间,构成特征空间。人脸特征提取与跟踪对初始帧目标区域内所有的像素点,计算特征空间中每个特征值的概率,我们称为目标模型的描述。在以后的每帧图像中可能存在目标的候选区域中对特征空间的每个特征值的计算称为候选模型的描述。一般核函数选择高斯函数。利用相似性函数度量初始帧目标模型和当前帧的候选模型的相似性,通过求相似性函数最大得到关于目标的 MeanShift向量,这个向量即是目标从初始位置向正确位置转移的向量,由于MeanShift算法的收敛性,不断迭代计算 MeanShift向量,在当前帧中,最终目标会收敛到目标的真实位置,从而达到跟踪的目的。缺点:当跟踪目标消失又重新出现在视野中的时候或是背景干扰较大的时候会出现目标丢失的情况,有人对该算法进行过改进,但是还是会出现跟踪目标丢失的情况。

 

基于粒子群优化的跟踪算法

粒子群优化(PSO)算法是一种基于群体智能的新兴演化计算技术,广泛用于解决科学研究和工程实践中的优化问题。该算法从一组随机解出发,通过迭代搜寻最优解,但是它没有像遗传算法那样应用交叉和变异算子,而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比 ,PSO的优势有以下三点:(1)容易实现并且没有许多参数需要调整;(2)PSO采用基于邻域的搜索技术,能够利用较小的种群规模保持足够的多样性,从而降低种群规模; (3)PSO与遗传算法的信息共享机制不同。在遗传算法中,个体间互相共享信息,整个种群比较均匀的向最优区域移动。在PSO,整个搜索过程是跟随当前 最优解的过程,是一种单向的信息流动机制,在大多数情况下,所有粒子将更快的收敛到最优解。虽然,PSO算法有着明显的优越性,并在求解单目标优化问题中 已经取得了一定的成功,但和其它随机优化算法一样,该算法同样存在局部搜索能力差的缺点,不能有效求解高维、复杂的工程问题。因此有人提出了混沌粒子群算法优化算法。

 

基于模板匹配的跟踪算法

     模板匹配是数字图像处理的重要组成部分之一。把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应模式的处理方法就叫做模板匹配。基于对图像理解和解释的匹配方法是把计算机中的模型同外在世界中的物体和现象建立起相对应的关系,这种方法涉及到计算机视觉、人工智能、模式识别等许多领域,即可用知识和规则来描述匹配对象,利用知识和规则实质上是给匹配对象赋予了一种解释。但是这种方法在实现时,为减少计算量而使结构与点之间的关系描述常常是不完全的,并且它们缺乏一种有效地衡量点集之间是否相同的手段,所以这种方法目前还没有取得突破性的进展。基于灰度的图像匹配算法,这类方法直接利用图像的次度信息进行匹配,通过象素对之间某种相似性度量的全局最优化实现匹配,不需进行图像分割和图像特征提取,因而可以避免由这些预处理所造成的精度损失。这一类方法因其原理简单,并且数学统计模型以及收敛速度、定位精度、误差估计等均已有很成熟的研究成果。这类匹配方法需要解决的问题是:匹配速度比较慢,对灰度信息变化、光照变化、噪声非常敏感,没有充分利用灰度统计特性,对每一点的灰度信息依赖较大,不适应于匹配对象存在旋转和缩放情况下的匹配问题。

 

TLD目标跟踪算法

TLD跟踪系统最大的特点就在于能对锁定的目标进行不断的学习,以获取目标最新的外观特征,从而及时完善跟踪,以达到最佳的状态。也就是说,开始时只提供一帧静止的目标图像,但随着目标的不断运动,系统能持续不断地进行探测,获知目标在角度、距离、景深等方面的改变,并实时识别,经过一段时间的学习 之后,目标就再也无法躲过。TLD技术有三部分组成,即跟踪器、学习过程和检测器。TLD技术采用跟踪和检测相结合的策略,是一种自适应的、可靠的跟踪技术。TLD技术中,跟踪器和检测器并行运行,二者所产生的结果都参与学习过程,学习后的模型又反作用于跟踪器和检测器,对其进行实时更新,从而保证了即使在目标外观发生变化的情况下,也能够被持续跟踪。这些特点决定了TLD算法在跟踪方面具有很好的效果,现在基于此的研究渐渐增多,但实际中由于此算法还比较年轻,所以其应用还不是很广泛,但是可以相信未来该算法的应用将会很广。
  评论这张
 
阅读(6197)| 评论(0)
推荐 转载

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017