CN103093480A - 基于双重模型的粒子滤波视频图像跟踪方法 - Google Patents
基于双重模型的粒子滤波视频图像跟踪方法 Download PDFInfo
- Publication number
- CN103093480A CN103093480A CN2013100131215A CN201310013121A CN103093480A CN 103093480 A CN103093480 A CN 103093480A CN 2013100131215 A CN2013100131215 A CN 2013100131215A CN 201310013121 A CN201310013121 A CN 201310013121A CN 103093480 A CN103093480 A CN 103093480A
- Authority
- CN
- China
- Prior art keywords
- video image
- covariance
- particle
- tracking
- calculate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
基于双重模型的粒子滤波视频图像跟踪方法,涉及视频图像跟踪方法,本申请构建了双重的粒子滤波器,实现交替跟踪动态模型。一个在协方差矩阵黎曼流形上在线更新目标的表观。另一个在投影变换群上对目标的边界框参数进行跟踪。滤波参数的度量采用李代数及其切空间的转换关系。考虑到目标成像过程的实质是投影变换过程,本申请在构建基于粒子滤波的跟踪算法时,同时结合了协方差流形和投影变换群(SL(3)群)。该方法不仅对具有明显的几何形变的目标实现稳定的跟踪,而且能够在光照变化较大的情况下实现稳定的跟踪,该方法具有良好的有效性和鲁棒性。
Description
技术领域
本发明涉及一种视频图像跟踪方法,特别是涉及一种基于双重模型的粒子滤波视频图像跟踪方法。
背景技术
近年来,很多算法利用特征协方差矩阵作为描述图像的区域特性,利用粒子滤波方法,用一组具有权重的随机样本代表状态的当前密度,来实现目标的跟踪。并且利用仿射变换来描述目标的表观变化。但是对于具有明显几何形变的目标,或是目标经历强烈光照变换的情况下,目前还没有更为鲁棒的算法。
发明内容
本发明的目的在于提供一种基于双重模型的粒子滤波视频图像跟踪方法。该方法不仅对具有明显的几何形变的目标实现稳定的跟踪,而且能够在光照变化较大的情况下实现稳定的跟踪,该方法具有良好的有效性和鲁棒性。
本发明的目的是通过以下技术方案实现的:
基于双重模型的粒子滤波视频图像跟踪方法,所述方法包括以下步骤:步骤1:输入第一帧视频图像,手动确定图像的目标区域,投影变换群上的8维向量 为跟踪边界形状的投影变换参数,t=1为当前时刻;
步骤2:根据如下公式来预测, j=1,2….L. L为采样粒子数;v是状态由时刻t-1迁移到时刻t的速度向量;
步骤8: 计算加权李群均值
步骤9:输入下一帧视频图像,重复步骤2.直到跟踪过程结束。
本发明的优点与效果是:
由于本申请使用SL(3)群,能够准确地反映投影变换过程。另外,在构建基于粒子滤波的算法时,同时结合了协方差流形和SL(3)群。实现交替跟踪动态模型。所以对于具有明显几何形变的目标,或是目标经历强烈光照变换的情况下,跟踪效果稳定,鲁棒性强。
附图说明
图1示出了跟踪框架;
图2示出了所述算法跟踪几何形变目标的结果;
图3示出了所述算法跟踪非刚体光照变化下的结果。
注:本发明的附图2-附图3为功能效果示意照片,(仅供参考),图示照片的影像或数字不清晰并不影响对本发明技术方案的理解。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
本申请为一种基于双重模型的粒子滤波视频图像跟踪方法。构建了双重的粒子滤波器,实现交替跟踪动态模型。一个在协方差矩阵黎曼流形上在线更新目标的表观。另一个在投影变换群上对目标的边界框参数进行跟踪。滤波参数的度量采用李代数及其切空间的转换关系。考虑到目标成像过程的实质是投影变换过程,本申请在构建基于粒子滤波的跟踪算法时,同时结合了协方差流形和投影变换群(SL(3)群)。
实施例1:
使用上述算法跟踪几何形变目标。
例如得到:
0.4842 0.0005 -0.2055 -0.0752 -0.0272 -0.0876
0.0005 0.2623 0.0660 0.0178 0.1135 0.1070 -0.2055 0.0660 0.2884 0.2382 0.0618 0.2672 -0.0752 0.0178 0.2382 4.3705 -0.1656 4.0091
-0.0272 0.1135 0.0618 -0.1656 4.6001 4.3257
-0.0876 0.1070 0.2672 4.0091 4.3257 8.0951
步骤8:计算加权李群均值
0.4842 0.0005 -0.2394 -0.0855 -0.0437 -0.1121
0.0005 0.2623 0.0745 0.0234 0.1129 0.1120
-0.2394 0.0745 0.3099 0.1990 0.0495 0.2182
-0.0855 0.0234 0.1990 4.3573 -0.1622 3.9938
-0.0437 0.1129 0.0495 -0.1622 4.6381 4.3677
-0.1121 0.1120 0.2182 3.9938 4.3677 8.1171
步骤9:输入下一帧视频图像,重复步骤2。直到跟踪过程结束。
附图2 为所述算法部分帧的跟踪结果。
实施例2:
使用上述算法跟踪光照变换目标。
例如得到:
4.8419 0.0052 0.1797 0.7347 -0.2308 0.4685
0.0052 2.6234 0.6830 -0.0807 0.1568 0.0743
0.1797 0.6830 0.7952 0.3577 0.1228 0.4663
0.7347 -0.0807 0.3577 3.0138 -0.1857 2.5909 -0.2308 0.1568 0.1228 -0.1857 2.3190 1.8505
0.4685 0.0743 0.4663 2.5909 1.8505 4.0887
步骤8:计算加权李群均值
4.8419 0.0052 0.3294 0.8282 -0.2460 0.5550
0.0052 2.6234 0.6681 -0.1054 0.1440 0.0354
0.3294 0.6681 0.8512 0.3776 0.1176 0.4842
0.8282 -0.1054 0.3776 3.0838 -0.1724 2.6657 -0.2460 0.1440 0.1176 -0.1724 2.3905 1.9322
0.5550 0.0354 0.4842 2.6657 1.9322 4.2335
步骤9:输入下一帧视频图像,重复步骤2。直到t>600跟踪过程结束。
Claims (1)
1.基于双重模型的粒子滤波视频图像跟踪方法,其特征在于,所述方法包括以下步骤:步骤1:输入第一帧视频图像,手动确定图像的目标区域,投影变换群上的8维向量 为跟踪边界形状的投影变换参数,t=1为当前时刻;
步骤8: 计算加权李群均值
步骤9:输入下一帧视频图像,重复步骤2.直到跟踪过程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310013121.5A CN103093480B (zh) | 2013-01-15 | 2013-01-15 | 基于双重模型的粒子滤波视频图像跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310013121.5A CN103093480B (zh) | 2013-01-15 | 2013-01-15 | 基于双重模型的粒子滤波视频图像跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103093480A true CN103093480A (zh) | 2013-05-08 |
CN103093480B CN103093480B (zh) | 2016-04-20 |
Family
ID=48206011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310013121.5A Expired - Fee Related CN103093480B (zh) | 2013-01-15 | 2013-01-15 | 基于双重模型的粒子滤波视频图像跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103093480B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279769A (zh) * | 2015-07-16 | 2016-01-27 | 北京理工大学 | 一种联合多特征的层次粒子滤波跟踪方法 |
CN105389832A (zh) * | 2015-11-20 | 2016-03-09 | 沈阳大学 | 一种基于Grassmann流形和投影群的视频目标跟踪方法 |
CN105631895A (zh) * | 2015-12-18 | 2016-06-01 | 重庆大学 | 结合粒子滤波的时空上下文视频目标跟踪方法 |
CN107358621A (zh) * | 2016-05-10 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 对象跟踪方法及装置 |
CN110189356A (zh) * | 2019-04-24 | 2019-08-30 | 沈阳大学 | 一种反向低秩稀疏约束下的融合Lasso目标跟踪方法 |
CN110232705A (zh) * | 2019-05-17 | 2019-09-13 | 沈阳大学 | 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法 |
CN111428567A (zh) * | 2020-02-26 | 2020-07-17 | 沈阳大学 | 一种基于仿射多任务回归的行人跟踪系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017572A (zh) * | 2006-02-09 | 2007-08-15 | 三菱电机株式会社 | 用于在帧序列中跟踪物体的计算机化的方法 |
CN101739687A (zh) * | 2009-11-23 | 2010-06-16 | 燕山大学 | 基于协方差矩阵的快速机动目标跟踪方法 |
-
2013
- 2013-01-15 CN CN201310013121.5A patent/CN103093480B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017572A (zh) * | 2006-02-09 | 2007-08-15 | 三菱电机株式会社 | 用于在帧序列中跟踪物体的计算机化的方法 |
CN101739687A (zh) * | 2009-11-23 | 2010-06-16 | 燕山大学 | 基于协方差矩阵的快速机动目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
YINGHONG XIE 等: "Object Tracking Based on Bilateral Structure Tensor", 《JOURNAL OF COMPUTATIONAL INFORMATION SYSTEMS》 * |
ZULFIQAR HASAN KHAN 等: "Tracking Visual and Infrared Objects using Joint Riemannian Manifold Appearance and Affine Shape Modeling", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION. 2011 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS, ICCV WORKSHOPS 2011》 * |
李广伟 等: "基于改进李群结构的特征协方差目标跟踪", 《仪器仪表学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279769A (zh) * | 2015-07-16 | 2016-01-27 | 北京理工大学 | 一种联合多特征的层次粒子滤波跟踪方法 |
CN105389832A (zh) * | 2015-11-20 | 2016-03-09 | 沈阳大学 | 一种基于Grassmann流形和投影群的视频目标跟踪方法 |
CN105389832B (zh) * | 2015-11-20 | 2018-08-21 | 沈阳大学 | 一种基于Grassmann流形和投影群的视频目标跟踪方法 |
CN105631895A (zh) * | 2015-12-18 | 2016-06-01 | 重庆大学 | 结合粒子滤波的时空上下文视频目标跟踪方法 |
CN105631895B (zh) * | 2015-12-18 | 2018-05-29 | 重庆大学 | 结合粒子滤波的时空上下文视频目标跟踪方法 |
CN107358621B (zh) * | 2016-05-10 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 对象跟踪方法及装置 |
CN107358621A (zh) * | 2016-05-10 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 对象跟踪方法及装置 |
CN110189356A (zh) * | 2019-04-24 | 2019-08-30 | 沈阳大学 | 一种反向低秩稀疏约束下的融合Lasso目标跟踪方法 |
CN110189356B (zh) * | 2019-04-24 | 2023-05-12 | 沈阳大学 | 一种反向低秩稀疏约束下的融合Lasso目标跟踪方法 |
CN110232705A (zh) * | 2019-05-17 | 2019-09-13 | 沈阳大学 | 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法 |
CN110232705B (zh) * | 2019-05-17 | 2023-05-12 | 沈阳大学 | 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法 |
CN111428567A (zh) * | 2020-02-26 | 2020-07-17 | 沈阳大学 | 一种基于仿射多任务回归的行人跟踪系统及方法 |
CN111428567B (zh) * | 2020-02-26 | 2024-02-02 | 沈阳大学 | 一种基于仿射多任务回归的行人跟踪系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103093480B (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103093480A (zh) | 基于双重模型的粒子滤波视频图像跟踪方法 | |
CN103761737B (zh) | 基于稠密光流的机器人运动估计方法 | |
CN104050685B (zh) | 基于粒子滤波视觉注意力模型的运动目标检测方法 | |
CN105426813B (zh) | 一种视频异常行为检测方法 | |
CN108846348B (zh) | 一种基于三维骨骼特征的人体行为识别方法 | |
CN101996406A (zh) | 无参考结构清晰度图像质量评价方法 | |
Xin et al. | A self-adaptive optical flow method for the moving object detection in the video sequences | |
Simon et al. | Separable spatiotemporal priors for convex reconstruction of time-varying 3D point clouds | |
CN102947863A (zh) | 移动物体检测装置 | |
Zheng et al. | Deep learning for event-based vision: A comprehensive survey and benchmarks | |
US20170223333A1 (en) | Method and apparatus for processing binocular disparity image | |
CN105488777A (zh) | 一种基于移动前景下全景图实时生成系统及其方法 | |
Daubney et al. | Tracking 3D human pose with large root node uncertainty | |
CN110533578A (zh) | 一种基于条件对抗神经网络的图像翻译方法 | |
CN105282400B (zh) | 一种基于几何插值的高效视频稳定方法 | |
Wang et al. | Video stabilization: A comprehensive survey | |
Wang et al. | Paul: Procrustean autoencoder for unsupervised lifting | |
Shen et al. | Neural contourlet network for monocular 360 depth estimation | |
CN102142148B (zh) | 视频空时特征提取方法 | |
Zhao et al. | 3D object tracking via boundary constrained region-based model | |
CN104156973A (zh) | 基于立体匹配的实时三维视频监控方法 | |
CN105389832B (zh) | 一种基于Grassmann流形和投影群的视频目标跟踪方法 | |
CN102831616A (zh) | 一种视频流体运动矢量计算方法 | |
CN103337075B (zh) | 一种基于等照度线的图像显著度计算方法 | |
Peng et al. | Edge-guided occlusion fading reduction for a light-weighted self-supervised monocular depth estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160420 Termination date: 20170115 |