融合YOLO检测与均值漂移的目标跟踪算法

doi:10.3778/j.issn.1002-8331.1809-0198

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (10): 186-192.DOI: 10.3778/j.issn.1002-8331.1809-0198

融合YOLO检测与均值漂移的目标跟踪算法

王忠民1，2，段娜1，范琳1

1.西安邮电大学计算机学院，西安 710121
2.西安邮电大学陕西省网络数据分析与智能处理重点实验室，西安 710121

出版日期:2019-05-15 发布日期:2019-05-13

Object Tracking Algorithm Fused with YOLO Detection and Meanshift

WANG Zhongmin1，2, DUAN Na1, FAN Lin1

1.School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121, China
2.Shaanxi Key Laboratory of Network Data Analysis and Intelligent Processing, Xi’an University of Posts and Telecommunications, Xi’an 710121, China

Online:2019-05-15 Published:2019-05-13

摘要/Abstract

摘要： 针对视频目标跟踪算法中物体快速移动以及均值漂移算法误差累积造成的目标漂移问题，提出了一种融合YOLO（You Only Look Once）与均值漂移的目标跟踪算法。采用图像增强机制对视频帧进行预处理，在保持图像信息的同时去除光照强度的干扰；为了降低YOLO算法的计算复杂度，使用二分类器区分目标和背景进行物体的快速检测。根据目标物体的位置信息，使用均值漂移处理后续图像序列，并对目标物体进行检测更新，避免物体快速移动造成目标漂移问题，从而进行有效的检测跟踪。实验结果表明，该算法与DLT（Deep Learning Tracker）算法相比，运算效率提高了12.56%，跟踪精度提高了10.2%，能够较好地适应物体快速移动，具有较强的鲁棒性和实时性。

关键词: 快速移动, YOLO算法, 均值漂移, 图像增强, 二分类器

Abstract: Aiming at the rapid movement and drift problem of object tracking algorithm, a new object tracking algorithm is proposed combining YOLO（You Only Look Once） with Meanshift. Image enhancement mechanism is applied to remove illumination variations interference while maintaining image information. Binary classifier is used to distinguish object from background for fast object detection, in order to reduce computational complexity of YOLO algorithm. According to object position information, the image sequence is processed by Meanshift, and the object is detected and updated to avoid the object drift phenomenon caused by object moving rapidly. Experimental results demonstrate that the proposed algorithm is more accurate and improves tracking precision by 10.2% on average and improves operation efficiency by 12.56% on average in comparison with DLT（Deep Learning Tracker）. The proposed algorithm suits the rapid movement, which has strong robustness and tracking efficiency.

Key words: rapid movement, YOLO algorithm, Meanshift, image enhancement, binary classifier

王忠民1，2，段娜1，范琳1. 融合YOLO检测与均值漂移的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(10): 186-192.

WANG Zhongmin1，2, DUAN Na1, FAN Lin1. Object Tracking Algorithm Fused with YOLO Detection and Meanshift[J]. Computer Engineering and Applications, 2019, 55(10): 186-192.

[1]	汤子麟，刘翔，张星. 光照不均匀图像的自适应增强算法[J]. 计算机工程与应用, 2021, 57(21): 216-223.
[2]	王小鹏，杨文婷，文昊天. 利用自适应形态学实现遥感水体图像增强[J]. 计算机工程与应用, 2021, 57(12): 186-192.
[3]	杜豫怡，王鹏章，多化琼，董霙达. 频域内分位数的蒙古族家具纹样增强算法[J]. 计算机工程与应用, 2021, 57(12): 207-210.
[4]	陈迎春. 基于色调映射的快速低照度图像增强[J]. 计算机工程与应用, 2020, 56(9): 234-239.
[5]	孙新领，张皓，赵丽. 结合尺度估计MST和粒子滤波的视频目标跟踪[J]. 计算机工程与应用, 2020, 56(8): 117-123.
[6]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[7]	张震，李浩方，李孟州. YOLO算法在安检异常图像中的研究[J]. 计算机工程与应用, 2020, 56(21): 187-193.
[8]	徐诚极，王晓峰，杨亚东. Attention-YOLO：引入注意力机制的YOLO检测算法[J]. 计算机工程与应用, 2019, 55(6): 13-23.
[9]	朱德利，杨德刚，万辉，杨雨浓. 用于低照度图像增强的自适应颜色保持算法[J]. 计算机工程与应用, 2019, 55(24): 190-195.
[10]	王英博1，刘健2. 幂律变换和IGLC算法的显著性目标检测方法[J]. 计算机工程与应用, 2019, 55(14): 168-176.
[11]	张桂梅1，刘峰瑞1，刘建新2. 图像增强中分数阶阶次自适应模型的构造[J]. 计算机工程与应用, 2018, 54(3): 184-191.
[12]	田敏，张印辉，何自芬，王森. 基于联合模型匹配的齿轮视觉检测方法[J]. 计算机工程与应用, 2018, 54(23): 170-175.
[13]	成钊1，2，王和明1，唐永康2，张颖1. 基于细节增强分析的硬件木马红外图像检测方法[J]. 计算机工程与应用, 2018, 54(16): 86-92.
[14]	范晓鹏1，2，3，4，朱枫1，3，4. 人眼灰度感知建模及其在图像增强中的应用[J]. 计算机工程与应用, 2018, 54(13): 209-215.
[15]	王永鑫1，2，刁鸣1，韩闯2. 基于同态滤波的水下图像增强与色彩校正模型[J]. 计算机工程与应用, 2018, 54(11): 30-34.

融合YOLO检测与均值漂移的目标跟踪算法

Object Tracking Algorithm Fused with YOLO Detection and Meanshift

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics