国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于自適應初始搜索點預測的目標跟蹤算法的制作方法

      文檔序號:6572820閱讀:224來源:國知局
      專利名稱:一種基于自適應初始搜索點預測的目標跟蹤算法的制作方法
      技術領域
      本發(fā)明屬于計算機視覺與模式分析領域,具體涉及一種有效抑制模板漂移的目標跟蹤算法。

      背景技術
      目標跟蹤在人機交互、自動監(jiān)視、視頻檢索、交通監(jiān)測以及車輛導航中有著廣泛的應用。目標跟蹤的任務是確定目標在視頻流各幀中的幾何狀態(tài),包括位置、尺寸以及取向等。由于被跟蹤的目標通常具有不規(guī)則的運動,再加上復雜背景的干擾,目標跟蹤算法面臨著諸多挑戰(zhàn),是計算機視覺領域的研究熱點之一。
      目標跟蹤算法分為兩大類,一類是跟蹤點目標的(point tracking)[1,2],另一類則是跟蹤面目標的(kemel tracking)[3~6]。當目標相對于整個視場非常小時,例如雷達圖像,可以采用點目標跟蹤算法。對于通常攝像頭所拍攝的圖像,則更多地采用面目標跟蹤算法。面目標跟蹤算法又可以分為對目標模板進行匹配(template matching)[3,4]以及僅對目標輪廓進行跟蹤(contour tracking)[5,6]。由于模板匹配跟蹤算法同時整合了目標的整體外觀信息與幾何信息,因此應用相當廣泛。
      模板匹配跟蹤算法通常使用一個矩形或者橢圓形的模板來表征目標。目標的運動通常由模板的坐標變換(平移、縮放、旋轉等)來描述。不同的坐標變換參數(shù)給出不同的圖像區(qū)域,其中給出與模板匹配程度最高的圖像區(qū)域的坐標變換參數(shù)反映了當前目標的幾何信息[7]。
      模板匹配跟蹤算法的性能在很大程度上取決于是否能夠有效地搜索到最優(yōu)的坐標變換參數(shù)。在這里,要解決的有兩個問題。首先是如何盡量減少復雜背景造成的局部極值點對搜索過程的干擾,其次是在確保搜索質量的前提下如何盡可能降低計算量。許多研究者已經(jīng)在這方面做了大量的工作。為了降低計算量,許多快速搜索算法被提了出來,例如三步搜索(Three-Step Search,TSS)[8]、二維Log搜索(2D-Log Search,2DLS)[9]、基于塊的梯度下降搜索(Block-Based Gradient Descent Search,BBGDS)[10],以及Lucas-Kanade算法等等[11]。對于局部極值點的干擾,一般是通過搜索多條路徑取最優(yōu)結果來試圖獲得全局極值點[11],但是這樣做的代價是增加了計算量。
      很明顯,初始搜索點離開全局極值點越近,則搜索算法被局部極值點干擾的概率就越小,同時算法收斂所需的迭代次數(shù)也會越少。因此,如果我們能夠有效地預測最優(yōu)的初始搜索點,則以上提到的所有算法的性能都可以得到很大程度的提高。兩種比較容易想到的方法是直接將目標在前一幀的坐標變換參數(shù)作為當前幀的初始搜索點,或者用簡單的勻速運動模型來得到初始搜索點。然而,這些方法都不能很好地預測目標在下一幀中的幾何狀態(tài)。
      在目標跟蹤領域,卡爾曼濾波器被廣泛應用[12~14]。然而,大多數(shù)卡爾曼濾波器僅被用來平滑目標運動軌跡,而非用來通過預測初始搜索點提高跟蹤性能。另外,很少有文獻針對模板匹配跟蹤算法提出在線估計卡爾曼濾波器的模型噪聲功率的方法。
      參考文獻Rasmussen C.,Hager G.Probabilistic data association methods for tracking complexvisual objects[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2001,23(6)560-576.Hue C.,Cadre J.L.,Prez P..Sequential Monte Carlo methods for multiple target trackingand data fusion[J].IEEE Trans.on Signal Processing,2002,50(2)309-325.Matthews I.,Ishikawa T.,Baker S..The template update problem[J].IEEE Trans.onPattern Analysis and Machine Intelligence,2004,26(6)810-815.Nguyen H.T.,Smeulders A.W.M..Fast occluded object tracking by a robust appearancefilter[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2004,26(8)1099-1104.Yilmaz A.,Li X.,Shan M..Contour based object tracking with occlusion handling invideo acquired using mobile cameras[J].IEEE Trans.on Pattern Analysis and MachineIntelligence,2004,26(11)1531-1536.Chen Y.,Rui Y.,Huang T..Jpdaf based HMM for real-time contour tracking[C].Proc.IEEE Comp.Society.Conf.on Computer Vision and Pattern Recognition,2001,1543-550.Jia Z.,Balasuriya A.,Challa S..Target tracking with Bayesian fusion based templatematching[C].Proc.IEEE Int.Conf.on Image Processing,2005,2II-826-829.Wang Y.,Ostermann J.,Zhang Y.Q..Video Processing and Communications[M].PrenticeHall,2002.159-161.Jain J.,Jain A..Displacement measurement and its application in interframe imagecoding[J].IEEE Trans.on Communications,1981,331799-1808.Liu L.K.,F(xiàn)eig E..A block-based gradient descent search algorithm for block motionestimation in video coding[J].IEEE Trans.on Circuits and Systems for Video Technology,1996,6419-422.Baker S.,Matthews I..Lucas-Kanade 20years ona unifying framework[J].Int.J.onComputer Vision,2004,53(3)221-255.Papanikolopoulos N.,Khosla P.,Kanade T..Visual tracking of a moving target by acamera mounted on a robota combination of control and vision[J].IEEE Trans.onRobotics and Automation,1993,914-35.Blake A.,Curwen R.,Zisserman A..A framework for spatio-temporal control in thetracking of visual contour[J].Int.J.on Computer Vision,1993,11(2)127-145.Isard M.,Blake A..CONDENSATION-conditional density propagation for visualtracking[J].Int.J.on Computer Vision,1998,29(1)5-28.Sezgin M.,Birecik S.,Demir D.,et al.A comparison of visual target tracking method innoisy environments[C].Proc.IEEE Int.Conf.IECON,1995,21360-1365.Comaniciu D.,Meer P..Mean shiftA robust approach toward feature space analysis[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2002,24(5)603-619.Black M.,Jepson A..EigentrackingRobust matching and tracking of articulated objectsusing a view-based representation[J].Int.J.on Computer Vision,1998,26(1)63-84.Brown R.G.,Hwang P.Y.C..Introduction to Random Signals and Applied KalmanFiltering[M].John Wiley,1992.Nguyen H.T.,Worring M.,Boomgaard R.van den.Occlusion robust adaptive templatetracking.Proc[C].IEEE Int.Conf.on Computer Vision,2001,1678-683.

      發(fā)明內容
      本發(fā)明的目的在于提出一種基于自適應初始搜索點預測的目標跟蹤算法,以準確預測坐標變換參數(shù),減少被復雜背景干擾的風險,并降低計算量。
      本發(fā)明的關鍵在于采用卡爾曼濾波器對坐標變換參數(shù)變化率進行濾波,仔細分析該濾波器模型噪聲的來源,并基于此提出一種在線有效估計模型噪聲功率的方法。
      本發(fā)明方法包括利用卡爾曼濾波器對坐標變換參數(shù)的變化率進行跟蹤,并將坐標變換參數(shù)在下一幀的預測值作為初始搜索點。
      采用一種在線有效估計上述卡爾曼濾波器觀測噪聲功率的方法,以使得算法能夠實時針對不同的目標運動以及搜索精度自適應地調整。
      卡爾曼濾波器觀測噪聲功率通過坐標變換系數(shù)的量化誤差求得。
      下面對本發(fā)明作進一步說明。
      1、模板匹配目標跟蹤算法 在基于模板匹配的目標跟蹤中,目標由代表其外觀的子圖像表示,這個子圖像稱為模板。初始模板通常是目標在第一幀中的外觀。在本發(fā)明中,模板用T(x)表示,其中x=[x,y]T是像素坐標。在每一幀中,T通過坐標變換φ(x;a)映射到圖像幀中,其中a是變換參數(shù)向量,它反映了目標在當前幀中的幾何信息。該信息的最優(yōu)估計通過尋找與模板最匹配的當前幀的圖像區(qū)域得到,即 在上式中,am(n)是搜索算法得到的第n幀變換參數(shù)向量的最優(yōu)估計值;In(x)是第n幀圖像位于坐標x處的像素值;sim{I,T}是任意一個可以反映圖像I與T之間相似度的函數(shù),例如歸一化線性相關系數(shù)[15]、平方誤差和的倒數(shù)[15]、直方圖匹配度[16],或者是主分量匹配度[17]等等。(1)式的實現(xiàn)有一系列快速搜索算法[8~11]。
      在(1)式的搜索過程中,背景干擾物等造成的局部極值點會嚴重影響結果的準確性。為了在最大程度上減少局部極值點的影響并同時降低計算量,初始搜索點必須盡量靠近坐標變換參數(shù)的真實值。因此,需要在每一幀都對初始搜索點進行有效的預測。
      2、初始搜索點預測模型 為了在坐標變換參數(shù)空間中預測下一幀的初始搜索點,我們必須估計每一個坐標變換參數(shù)在下一幀的取值。在沒有外力作用的情況下,目標的坐標變換參數(shù)的變化率(以下簡稱參數(shù)變化率)保持不變。外力的影響是使得參數(shù)變化率在各幀之間產(chǎn)生變動,且這個影響的大小與方向是隨機的、不可預測的,因而可以被認為是參數(shù)變化率的噪聲。基于上述分析,我們可以用卡爾曼濾波器來跟蹤參數(shù)變化率。這樣做更有利于預測變換參數(shù)的取值,而不僅僅是對它們進行平滑。由于不同的坐標變換參數(shù)獨立地描述了不同形式的目標運動,因而可以分別對它們進行預測。所以,以下僅對一個坐標變換參數(shù)進行討論,其它參數(shù)的預測過程與之完全相同。
      對于某一坐標變換參數(shù)a,設其在第n幀的變化率為v(n)=a(n)-a(n-1),v的狀態(tài)方程為 v(n)=v(n-1)+u(n-1) (2) 其中,u(n-1)是狀態(tài)轉移噪聲,反映了從第n-1幀到第n幀參數(shù)變化率由于隨機外力造成的擾動,我們認為它是零均值白噪聲,具有功率譜密度σu2(n)。
      參數(shù)變化率v的觀測方程為 vm(n)=v(n)+w(n) (3) 其中,vm(n)是參數(shù)變化率的觀測值,由(1)式搜索結果的增量得到;w(n)是觀測噪聲,其來源于(1)式的量化誤差,這在下面會詳細討論。同樣,觀測噪聲也是零均值白噪聲,具有功率譜密度σw2(n)。在不致混淆的情況下,為了簡明起見,以下把功率譜密度簡稱為功率。
      根據(jù)卡爾曼濾波理論[18],(4)~(7)式依次構成了預測第n+1幀的參數(shù)變化率v的一個完整的迭代 在這里,α(n)是第n幀的新息,σP2和σE2分別是預測誤差與估計誤差的功率,它們在卡爾曼迭代時自動得到。
      通過(7)式得到第n+1幀的參數(shù)變化率v的預測值后,坐標變換參數(shù)a在第n+1幀的預測值(n+1)為 由于(n+1)通??偸桥c真實值相當接近,因此坐標變換參數(shù)a在第n+1幀的初始搜索點就取為(n+1)。
      3、濾波器模型噪聲功率的估計 盡管前述討論似乎已經(jīng)解決了我們的問題,但是濾波器中的兩個模型噪聲(狀態(tài)轉移噪聲和觀測噪聲)的功率仍然未知。模型噪聲功率的正確估計對于得到最優(yōu)的卡爾曼系數(shù)至關重要,因而直接決定了算法的性能。在標準的卡爾曼濾波問題中,狀態(tài)轉移噪聲功率與觀測噪聲功率都被認為是先驗已知的。但是,為了使得算法能夠根據(jù)不同的情況自適應地調整,這兩個模型噪聲功率需要在線估計。
      我們先討論如何估計觀測噪聲功率σw2。在理想情況下,由(1)式得到的變換參數(shù)向量am反映了目標的真實幾何狀態(tài),但是,由于(1)式的最終搜索結果必須取自離散向量空間,其中的量化誤差導致了變換參數(shù)向量的搜索結果am與真實值a之間不可避免地存在誤差,從而造成了參數(shù)變化率v的觀測噪聲。其功率可以表示如下 由于不同幀的參數(shù)搜索過程可以看作是獨立同分布的,因此(9)式可簡化為 其中σa2是參數(shù)a的觀測誤差功率。(10)式中的期望可以展開如下 其中,p(a|am)是觀測到am后a的后驗概率分布。為了簡化起見,我們省略了時間變量n。接下來我們討論如何求得這個后驗概率分布。
      由圖1可見,am只能取離散值,且a的似然概率是 上式中,P(am|a)是觀測到am后a的似然概率;Δ是(1)式搜索am時的最終步長。根據(jù)貝葉斯法則,a的后驗概率分布是 將(12)式代入(13)式可得 盡管要得到p(a)的確切值并不容易,但是由于Δ較小,我們可以合理地認為p(a)在(14)式的積分區(qū)間中是近似不變的?;诖私疲?14)式可以簡化為 將(15)式代入(11)式并考慮到(10)式,可以求得σw2 上式表明,搜索坐標變換參數(shù)的精度越高,則觀測誤差噪聲的功率就越小,與預期符合。
      狀態(tài)轉移噪聲功率σu2的估計不能通過類似的方法得到,因為外力對目標運動的影響可以是完全任意的。然而,我們仍然可以通過估計新息的功率間接得到狀態(tài)轉移噪聲的功率。可以證明[19],新息功率、估計誤差功率以及兩個模型噪聲功率滿足以下關系 其中,σa2(n)是新息α(n)的功率。新息功率可以通過下式來近似 其中,N是參與平均的幀數(shù)。由(16)~(18)式,我們就得到了σu2的估計值。
      在上式中,估計誤差功率σE2在卡爾曼迭代過程中由(6)式得到。
      至此,我們已經(jīng)導出了估計兩個模型噪聲功率的表達式(16)與(19)式。在我們提出的方法里,沒有人為指定這兩個噪聲功率的取值,而是讓它們根據(jù)不同的搜索精度與目標所受外力影響情況自適應地變化。
      最后,我們討論一下初始化的問題。由于在跟蹤開始時,我們完全不知道目標的運動信息,因此我們將

      與σE2都設為零,即 根據(jù)上述內容,本發(fā)明的基于自適應初始搜索點預測的目標跟蹤算法的具體操作步驟如下 1.在首幀中選定目標區(qū)域。
      2.模板T如下初始化通過初始坐標變換φ(x;as)采樣初始ROI,即T(x)=In[φ(x;as)],其中as為目標的初始坐標變換參數(shù)。
      3.坐標變換參數(shù)變化率的預測值

      初始化為0,估計誤差功率σE2初始化為0。
      4.將下一幀在坐標變換參數(shù)空間中的(1)式初始搜索點取為目標的初始坐標變換參數(shù)as。
      5.讀入下一幀。
      6.將模板通過坐標變換φ(x;a)映射到當前幀。通過尋找與預測模板最匹配的當前幀的圖像區(qū)域得到反映目標在當前幀中的幾何信息的坐標變換參數(shù)向量,即運行(1)式。
      7.通過計算由于變換參數(shù)向量在(1)式中的量化誤差導致的坐標變換參數(shù)各分量變化率的觀測值與真實值之間的誤差平方的數(shù)學期望來得到觀測噪聲功率σw2。具體來說,通過(16)式得到σw2。
      8.通過(19)式計算坐標變換參數(shù)各分量變化率的狀態(tài)轉移噪聲功率σu2。
      9.通過(4)式計算坐標變換參數(shù)各分量變化率的預測誤差功率σP2。
      10.通過(5)式計算坐標變換參數(shù)各分量變化率的最優(yōu)卡爾曼系數(shù)G。
      11.通過(6)式計算當前幀的坐標變換參數(shù)各分量變化率的估計誤差功率σE2。
      12.通過(7)式計算坐標變換參數(shù)各分量變化率在下一幀的預測值
      13.通過(8)式計算坐標變換參數(shù)各分量在下一幀的預測值,并將下一幀在坐標變換參數(shù)空間中的(1)式初始搜索點取為。
      14.如果視頻流未處理完,則轉到第5步,否則結束。



      圖1搜索最優(yōu)變換參數(shù)向量時的量化過程。
      圖2目標水平位置的真實值與預測值。
      圖3目標垂直位置的真實值與預測值曲線。
      圖4目標尺度的真實值與預測值曲線。
      圖5未進行自適應初始搜索點預測的跟蹤算法由于背景的強烈干擾而丟失了目標。
      圖6自適應初始搜索點預測使得跟蹤算法即使在強烈背景干擾下仍然具有很高的跟蹤穩(wěn)定性。
      圖7自適應初始搜索點預測對于計算量的影響。(a)目標運動程度較小;(b)目標運動較劇烈。
      圖8不同初始搜索點預測方法的性能比較。

      具體實施例方式 首先,我們觀察本發(fā)明提出的算法對于預測坐標變換參數(shù)的有效性。在我們的實驗中,我們用平方誤差和的倒數(shù)[15]作為(1)式中的相似度函數(shù),用梯度下降法[10]作為(1)式中的搜索算法,在Pentium-42.8GHz PC上以30fps的幀率實時跟蹤。我們對大量實景視頻流進行了實驗。這些視頻流包含了用手持攝像機拍攝的各種運動物體。由于拍攝過程中手的抖動,目標的位置與尺度都經(jīng)歷了較大且不規(guī)則的變化。因為在所有視頻流上關于預測精度的實驗結果都十分相近,所以我們只在這里顯示一個典型的結果,如圖2~4所示。在這些圖中,分別顯示了目標的水平位移、垂直位移以及尺度的真實值與本發(fā)明算法的預測值。由圖可見,盡管這些參數(shù)的變化特性各不相同且很不規(guī)則,本發(fā)明的算法很好地預測了它們在各幀中的取值。與直接將前一幀的參數(shù)值作為后一幀的初始搜索點相比,本發(fā)明的算法使得初始搜索點在坐標變換參數(shù)空間中離開真實點的Euclidean距離從2.7398減少為0.9632。
      初始搜索點與真實點之間距離的大幅減少使得跟蹤穩(wěn)定性提高很多。在許多視頻流中,復雜的背景以及拍攝時較大幅度的手的抖動,使得不采用本發(fā)明方法的跟蹤算法很容易被局部極值點捕獲而導致目標丟失。而采用了自適應初始搜索點預測后,這些視頻流都能夠很順利地跟上。典型的兩個例子如圖5與圖6所示(當前模板顯示在每幅圖的右下角)。在第一個例子中,由于光線較暗,導致車輛比較模糊,與背景中的一些路面部分較為相似。另外,攝像機的橫向抖動也較劇烈,這使得目標的運動變得極不規(guī)則。在圖5第一行中我們可以看到,不進行自適應初始搜索點預測的跟蹤算法被白色路面部分形成的局部極值點干擾,丟失了目標。在第二個例子中,被跟蹤的目標是一只狗,由于其形狀和顏色與地面雜物非常相近,因而在全局極值點周圍形成了大量局部極值點,如果不進行自適應初始搜索點預測,則很容易丟失目標,如圖5第二行所示。在圖6的兩行中,同樣的跟蹤算法由于采用了自適應初始搜索點預測,在整個跟蹤過程中始終很好地鎖定了目標。這里還有一點值得注意,第一個例子跟蹤的是剛性目標,而第二個例子跟蹤的是柔性目標。由于本發(fā)明算法在推導時并沒有作任何關于目標剛性程度的假設,因此無論目標是剛性的還是柔性的,本發(fā)明算法均有效。
      自適應初始搜索點預測不僅提高了跟蹤穩(wěn)定性,還顯著降低了計算量。這是由于初始搜索點離真實點近了許多,因而(1)式的參數(shù)搜索能夠更快地收斂。圖7顯示了在采用自適應初始搜索點預測前后計算量的大小。其中左圖是目標運動程度較小的情況,右圖是目標運動程度較劇烈的情況。兩圖的縱坐標是到當前幀為止搜索算法進行的模板匹配的總次數(shù)。由兩圖可見,本發(fā)明算法使得模板匹配總次數(shù)隨幀數(shù)增加的曲線變得較為平緩,且近似線性增加。這是由于無論目標的運動狀況如何變化,本發(fā)明的方法總是能夠將搜索距離控制在一個相對固定且較小的范圍內。在圖7中,對于目標運動程度較劇烈的情況,到第45幀時采用自適應初始搜索點預測前后模板匹配總次數(shù)分別為2145次與713次,本發(fā)明算法節(jié)省的計算量達66.8%;即使對于目標運動程度較小的情況,到第200幀時采用自適應初始搜索點預測前后模板匹配總次數(shù)分別為4300次與3133次,本發(fā)明算法也節(jié)省了27.1%的計算量。
      為了從另一個角度檢驗本發(fā)明算法的性能,并與其它初始搜索點預測方法作一個比較,我們對于同一個視頻流,改變(1)式中的坐標變換參數(shù)的搜索精度,觀察搜索計算量的變化情況。實驗結果示于圖8中。其中橫坐標是在坐標變換參數(shù)空間中的搜索步長,縱坐標是平均每一幀的模板匹配次數(shù)。在同樣的搜索步長下,平均每一幀的模板匹配次數(shù)越少,表明初始搜索點的預測越有效。三條曲線分別是以下三種初始搜索點預測方法的實驗結果。方法1第n+1幀的初始搜索點取為a(n)+[a(n)-a(n-1)];方法2在對參數(shù)變化率的卡爾曼濾波過程中取預先固定的模型噪聲功率,使得卡爾曼系數(shù)恒為0.5;方法3采用本發(fā)明提出的自適應初始搜索點預測方法。
      由圖8可見,當搜索步長較小時(即搜索精度較高時),方法1的計算量與方法3較接近,而方法2的計算量則遠大于方法3,這是因為此時觀測噪聲較小,可以取較大的卡爾曼系數(shù),而方法1實質上等效于取卡爾曼系數(shù)恒等于1,方法2的卡爾曼系數(shù)則過于保守,以至于初始搜索點預測總是出現(xiàn)較大的滯后。
      當搜索步長較大時(即搜索精度較低時),方法1的計算量明顯大于方法3,而方法2的計算量則稍大于方法3,這是由于在這種情況下觀測噪聲較大,方法1過高的卡爾曼系數(shù)使得初始搜索點預測頻繁產(chǎn)生較大的過沖,方法2的卡爾曼取值則比方法1恰當,但仍不是最優(yōu)。
      當搜索步長進一步增加時,方法1與方法2都被背景物體干擾而丟失了目標(如圖8中的黑圈所示,其縱坐標取值無意義),而方法3仍然很好地跟住了目標。這在實時跟蹤中很有意義,有時為了要確保跟蹤的實時性需要降低搜索精度,但這樣做的代價是跟蹤穩(wěn)定性的損失。然而,如果采用本發(fā)明提出的自適應初始搜索點預測方法,則可以盡可能減少穩(wěn)定性的損失。綜上,無論搜索步長如何變化,方法3總能夠通過改變模型噪聲功率動態(tài)地調節(jié)其濾波強度,保證了初始搜索點預測在各種狀況下的最優(yōu)化。
      權利要求
      1.一種基于自適應初始搜索點預測的目標跟蹤算法,其特征在于利用卡爾曼濾波器對坐標變換參數(shù)的變化率進行跟蹤,并將坐標變換參數(shù)在下一幀的預測值作為初始搜索點。
      2.根據(jù)權利要求1所述的基于自適應初始搜索點預測的目標跟蹤算法,其特征在于采用一種在線有效估計上述卡爾曼濾波器觀測噪聲功率的方法,以使得算法能夠實時針對不同的目標運動以及搜索精度自適應地調整。
      3.根據(jù)權利要求1或2所述的基于自適應初始搜索點預測的目標跟蹤算法,其特征在于卡爾曼濾波器觀測噪聲功率通過坐標變換系數(shù)的量化誤差求得。
      全文摘要
      本發(fā)明屬于計算機視覺和模式識別技術領域,具體為一種基于自適應初始搜索點預測的目標跟蹤算法。該算法通過對坐標變換參數(shù)的變化率進行卡爾曼濾波來更好地預測初始搜索點;更重要的是,該算法有效地在線估計卡爾曼濾波器中的模型噪聲功率,而非先驗地對它們的取值做出假設,因而能夠在沒有任何人工干預的情況下動態(tài)地根據(jù)不同的目標運動狀況和搜索精度進行實時調整。大量實景視頻流上的實驗結果均證實了該算法顯著提高了跟蹤穩(wěn)定性,并且大幅降低了計算量。
      文檔編號G06T7/20GK101127121SQ200710045940
      公開日2008年2月20日 申請日期2007年9月13日 優(yōu)先權日2007年9月13日
      發(fā)明者潘吉彥, 波 胡, 張建秋 申請人:復旦大學
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1