基于超像素和判别稀疏的运动目标跟踪算法

doi:10.3778/j.issn.1002-8331.1708-0402

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (15): 1-5.DOI: 10.3778/j.issn.1002-8331.1708-0402

基于超像素和判别稀疏的运动目标跟踪算法

邱晓荣1，2，彭力3，刘全胜2，3

1.马来西亚管理科学大学信息科学与工程学院，雪兰莪莎阿南 40100
2.无锡职业技术学院物联网技术学院，江苏无锡 214121
3.江南大学物联网工程学院，江苏无锡 214122

出版日期:2018-08-01 发布日期:2018-07-26

Object tracking algorithm based on superpixel and discriminative sparsity

QIU Xiaorong1，2, PENG Li3, LIU Quansheng2，3

1.Faculty of Information Sciences & Engineering, Management & Science University, Shah Alam 40100, Malaysia
2.School of Internet of Things Technology, Wuxi Institute of Technology, Wuxi, Jiangsu 214121, China
3.School of Internet of Things Engineering, Jiangnan University, Wuxi, Jiangsu 214122, China

Online:2018-08-01 Published:2018-07-26

摘要/Abstract

摘要： 针对目标遮挡、非刚性变换、光照变换等因素干扰产生的漂移问题，提出基于超像素和判别稀疏的运动目标跟踪算法。算法首先利用SLIC方法对运动目标的观测区域进行超像素分割，然后通过K-Means算法构建包含目标和背景的超像素字典，再基于判别稀疏表示和[?1]范数最小化框架求解候选目标的稀疏系数，同时结合粒子滤波框架和在线字典更新策略完成目标跟踪。实验结果表明，该算法在多种因素干扰的环境中具有较强的鲁棒性，能够准确稳定地进行在线目标跟踪。

关键词: 判别稀疏, 超像素, 目标跟踪, 表观模型

Abstract: According to the drift problems caused by occlusion, deformation and illumination, an algorithm based on superpixel and discriminative sparsity is proposed. Firstly, the object observation area is segmented into superpixels by using SLIC method. Secondly, K-Means algorithm is adopted to generate superpixel dictionary combined with target and background information. Then, sparse coefficients of candidate targets are solved based on discriminative sparsity representation and [?1]-norm minimization framework. Finally, particle filter framework and online dictionary updating are applied to accomplish object tracking. Both quantitative and qualitative experimental results show the proposed algorithm performs more robustly under the environment of multiple interference factors, and it also can perform online object tracking more accurately and steadily.

Key words: discriminative sparsity, superpixel, object tracking, representation model

邱晓荣1，2，彭力3，刘全胜2，3. 基于超像素和判别稀疏的运动目标跟踪算法[J]. 计算机工程与应用, 2018, 54(15): 1-5.

QIU Xiaorong1，2, PENG Li3, LIU Quansheng2，3. Object tracking algorithm based on superpixel and discriminative sparsity[J]. Computer Engineering and Applications, 2018, 54(15): 1-5.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[3]	王玲，王家沛，王鹏，孙爽滋. 融合注意力机制的孪生网络目标跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 169-174.
[4]	张忠民，刘金鑫，席志红. 熵率超像素分割一致性检验视差细化算法[J]. 计算机工程与应用, 2021, 57(5): 204-209.
[5]	崔洲涓，安军社，陈长龙，崔天舒. 基于PYNQ框架的深度卷积特征异构跟踪系统[J]. 计算机工程与应用, 2021, 57(4): 120-126.
[6]	邱守猛，谷宇章，袁泽强. 基于双分支孪生网络的目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 135-143.
[7]	林淑彬，吴贵山，许甲云，杨文元. 多帧监督的相关滤波无人机目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 152-160.
[8]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[9]	武哲纬，周世杰，刘启和. 运算资源受限环境下的目标跟踪算法综述[J]. 计算机工程与应用, 2021, 57(21): 24-40.
[10]	王蓓，陈金广，王明明. 复杂场景下的改进核相关滤波跟踪算法[J]. 计算机工程与应用, 2021, 57(2): 198-208.
[11]	李晓花，苏骏，李秀秀. 强干扰环境单观测站水下纯方位多目标跟踪[J]. 计算机工程与应用, 2021, 57(17): 253-259.
[12]	陈庆林，谷雨，宋忠浩，聂圣东. 融合检测与跟踪的半自动视频目标标注[J]. 计算机工程与应用, 2021, 57(14): 223-230.
[13]	张瑶，卢焕章，张路平，胡谋法. 基于深度学习的视觉多目标跟踪算法综述[J]. 计算机工程与应用, 2021, 57(13): 55-66.
[14]	王德鑫，常发亮. 六足机器人动态目标检测与跟踪系统研究[J]. 计算机工程与应用, 2021, 57(12): 180-185.
[15]	刘云，钱美伊，李辉，王传旭. 特征融合与训练加速的高效目标跟踪[J]. 计算机工程与应用, 2021, 57(10): 101-109.

基于超像素和判别稀疏的运动目标跟踪算法

Object tracking algorithm based on superpixel and discriminative sparsity

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