自适应尺寸变化的meanshift跟踪
2016-04-08 10:44
218 查看
最近在看meanshift方面的文章,看了一篇博文对这篇文章《Robust scale-adaptive meanshift for tracking》寄予很高的评价,所以把这篇文章简要的读了一下,下面对这篇文章的核心思想和算法实现过程进行简要整理,因为这篇文章与我目前项目的关系不是太大,所以就不对这篇文章进行实现了,这篇文章就作为技术储备了。
文章在前面对meanshift的原理进行了整理和推倒,由于之前对meanshift已经有了初步了解,所以在这就不对meanshift进行介绍了。主要介绍作者的算法。
表示像素的位置,N表示图像中像素的个数,目标在图像中用椭圆区域表示为
目标模型在特征
概率密度表示为
其中C是归一化参数。
是当前帧运动目标像素的位置,目标的中心是位置y,采用相同的核密度函数,目标状态为
h是目标当前状态的尺寸。
n1目标模板在椭圆区域内的像素个数,nh是目标当前状态在h尺寸下像素的个个数,则
,则
则Bya公式可以表示为
根据meanshift原理,我们可以表示为
输入:目标模板直方图
,开始位置
,初始尺寸
输出:终止位置
,终止时尺寸
t=1;
循环
公式(10)计算
,公式(14)计算权重
;
根据公式(20)更新目标位置
;
根据公式(21)得到的结果
更新
;
t=t+1;
除了尺寸的更新这个过程与标准meanshift过程一样。在这里应用了两个参数,第一个
我们假设目标尺寸并没有剧烈的变化,因此我们对尺寸变化的处理如下(22)所示:
其中尺寸参数h被界定在
之间。
强迫搜索窗中包含一定比例的背景像素。
的函数如(23)所示:
表示搜索窗中背景像素所占的比例。背景像素所占的权值如下计算:
分子是目标模板
的像素权重和,分母是所有像素的权重和。
MS(fd)—Meanshift with scale and backward consistency check
MS(s)对于视频中背景分布分散不适用,所以作者提出了返回确认尺寸的MS(fd)方法,通过t-1到t估计位置
,用估计的位置进行t到t-1的位置和尺寸确认。这个确认过程保证了背景分散的尺寸估计不会崩溃,并且矫正跟踪错误。
算法过程:
输入:目标模板直方图
,开始位置
,初始尺寸
;
输出:每一帧的位置和尺寸
;
作者实验过程中的参数为:
,
,
,
,
,
,
文章在前面对meanshift的原理进行了整理和推倒,由于之前对meanshift已经有了初步了解,所以在这就不对meanshift进行介绍了。主要介绍作者的算法。
meanshift尺寸估计
假设视频帧中目标尺寸是以同向的方式进行变化的,表示像素的位置,N表示图像中像素的个数,目标在图像中用椭圆区域表示为
目标模型在特征
概率密度表示为
其中C是归一化参数。
是当前帧运动目标像素的位置,目标的中心是位置y,采用相同的核密度函数,目标状态为
h是目标当前状态的尺寸。
n1目标模板在椭圆区域内的像素个数,nh是目标当前状态在h尺寸下像素的个个数,则
,则
则Bya公式可以表示为
根据meanshift原理,我们可以表示为
算法实现过程
MS(s)—Meanshift with regularize scale estimation输入:目标模板直方图
,开始位置
,初始尺寸
输出:终止位置
,终止时尺寸
t=1;
循环
公式(10)计算
,公式(14)计算权重
;
根据公式(20)更新目标位置
;
根据公式(21)得到的结果
更新
;
t=t+1;
除了尺寸的更新这个过程与标准meanshift过程一样。在这里应用了两个参数,第一个
我们假设目标尺寸并没有剧烈的变化,因此我们对尺寸变化的处理如下(22)所示:
其中尺寸参数h被界定在
之间。
强迫搜索窗中包含一定比例的背景像素。
的函数如(23)所示:
表示搜索窗中背景像素所占的比例。背景像素所占的权值如下计算:
分子是目标模板
的像素权重和,分母是所有像素的权重和。
MS(fd)—Meanshift with scale and backward consistency check
MS(s)对于视频中背景分布分散不适用,所以作者提出了返回确认尺寸的MS(fd)方法,通过t-1到t估计位置
,用估计的位置进行t到t-1的位置和尺寸确认。这个确认过程保证了背景分散的尺寸估计不会崩溃,并且矫正跟踪错误。
算法过程:
输入:目标模板直方图
,开始位置
,初始尺寸
;
输出:每一帧的位置和尺寸
;
作者实验过程中的参数为:
,
,
,
,
,
,
相关文章推荐
- iOS WKWebView高度自适应以及截获页面点击的url
- Wuartz Cron表达式的格式
- CCScrollView/CCTableView(CCTableViewDelegate CCTableViewDataSource CCTableView-滑动列表-游戏中大量使用 非常重要的一个类)
- (六)6.12 Neurons Networks from self-taught learning to deep network
- appium环境搭建
- 逻辑斯谛回归正则化 regularized logistic regression
- 移动机器人技术
- 批量sql语句
- C#调用java类、jar包方法
- Linux nl --让输出的文件内容自动加上行号
- mac安装mysql
- 【UVA11178】Morley's Theorem——Morley 定理
- 三次卷积插值
- Ext.js多文件选择上传,
- TortoiseSVN异常:在工作拷贝执行update时,报错--CleanUp
- VC7 HTML Dialog开发实例讲解
- 苹果企业账号打包发布APP流程详解
- Linux netstat --检验本机各端口的网络连接情况
- Linux nc --网络工具
- 虚拟机Ubuntu Server(宿主Win7)更新软件源