基于多模型融合和重新检测的高精度鲁棒目标跟踪

摘要：

针对目标跟踪在遮挡和光照变化等复杂场景下容易跟踪失败的问题,提出一种高精度鲁棒的目标跟踪算法.首先,将基于边缘信息的目标模型、基于梯度直方图(HOG)特征的滤波器模型和基于颜色直方图的颜色模型融合为更准确和鲁棒性更强的跟踪模型;然后,提出基于特征分数的双重跟踪可靠性判断依据,检测跟踪结果的可靠性;最后,在跟踪结果可靠性较低时,采用粒子滤波、稀疏表示以及距离约束定位进行重新检测,以实现持续稳定的跟踪.算法在OTB-2015数据集上的平均重叠精度为78.2％,平均中心位置误差为23.1 pixel,平均跟踪速率为30.8f/s,准确度和鲁棒性优于其他算法.在移动机器人和车辆跟踪平台上进行算法验证,平均重叠精度分别为97.5％和97.2％,平均中心位置误差分别为6.8和12.6 pixel,平均跟踪速率分别为29.1和28.4f/s,能有效跟踪上述复杂场景的目标,且满足实时要求.

关键词：目标跟踪、移动机器人、多模型融合、重新检测、相关滤波、粒子滤波

所属期刊栏目：40

分类号：TP391.4;TH701(计算技术、计算机技术)

资助基金：国家自然科学基金51621004,51475153;福建工程学院科研创新平台开放基金KF-X18001

在线出版日期：2020-01-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：132-141