• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于背景建模的車輛跟蹤方法

    2020-01-13 08:18:16李曉東
    智能計算機(jī)與應(yīng)用 2020年1期
    關(guān)鍵詞:跟蹤器成功率背景

    李曉東, 劉 暢, 劉 鵬

    (哈爾濱工業(yè)大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150001)

    0 引 言

    近年來,隨著人民生活水平提高,汽車數(shù)量快速增長,城市道路負(fù)擔(dān)加重,交通擁堵等問題也不容忽視,國內(nèi)外對交通事件檢測、交通狀態(tài)判別及交通狀態(tài)預(yù)測的相關(guān)理論研究也日益關(guān)注。如果能預(yù)測未來時刻的道路交通狀態(tài),道路狀況則能得到大幅度改善。目前,隨著計算機(jī)技術(shù)和人工智能的發(fā)展,利用機(jī)器學(xué)習(xí)方法可以預(yù)測交通狀態(tài),卻需要實時采集交通要道的視頻、再加以分析處理。在交通預(yù)測問題中,目標(biāo)跟蹤是研究熱點(diǎn)之一。運(yùn)用目標(biāo)跟蹤方法可以測量汽車速度、汽車數(shù)量以及預(yù)測車輛狀態(tài)變化。目標(biāo)跟蹤問題根據(jù)視頻第一幀的目標(biāo)狀態(tài)預(yù)測后面幀中的目標(biāo)情況。目標(biāo)跟蹤面臨的主要挑戰(zhàn)有:光照變化、尺度變化、遮擋、形變、運(yùn)動模糊、快速運(yùn)動、目標(biāo)出視場、背景干擾和低分辨率等[1]。

    1 研究現(xiàn)狀

    目前,在目標(biāo)跟蹤研究中,經(jīng)常用到的方法有2種,即:產(chǎn)生式方法和判別式方法。其中,產(chǎn)生式方法主要研究目標(biāo)外觀,在下一幀候選目標(biāo)中挑選與目標(biāo)外觀相似度最大的候選目標(biāo)作為新一幀中的目標(biāo),代表性方法有增量子空間方法[2]。判別式方法把目標(biāo)跟蹤視為分類問題,即訓(xùn)練分類器區(qū)分目標(biāo)與背景,在下一幀候選目標(biāo)中,屬于目標(biāo)概率最大的一個被視為新的目標(biāo),代表性方法為多示例學(xué)習(xí)方法[3]。

    對于車輛跟蹤,國內(nèi)外研究者進(jìn)行了大量的研究,并取得了一定的成果。劉悅[4]使用傳統(tǒng)方法,用Harr 特征和SVM分類器對車輛進(jìn)行跟蹤。劉國輝等人[5]使用VGG-M網(wǎng)絡(luò)提取特征,并使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行二分類來實現(xiàn)車輛跟蹤,與傳統(tǒng)的車輛跟蹤方法的性能相比有明顯的改善。徐樂等人[6]使用YOLOv2網(wǎng)絡(luò),改善了候選搜索區(qū)域的生成質(zhì)量,并提出加強(qiáng)目標(biāo)特征信息降低跟蹤錯誤率。

    車輛跟蹤的研究難點(diǎn)有多個方面。對此可做闡釋表述如下。

    (1)實時性。道路交通瞬息萬變,車輛跟蹤算法必須足夠快才能滿足實際應(yīng)用需求。

    (2)天氣因素。在雨雪沙塵等惡劣天氣時,可見度低,視頻質(zhì)量較差,跟蹤車輛比較難。

    (3)干擾目標(biāo)。車輛之間相似度很高,跟蹤車輛時容易發(fā)生漂移,轉(zhuǎn)而跟蹤干擾物體。

    (4)快速運(yùn)動。車輛運(yùn)行速度較快,普通運(yùn)動模型不適合車輛跟蹤,且快速運(yùn)動中目標(biāo)易丟失。

    最新的速度較快、同時精度較高的跟蹤方法有相關(guān)性濾波,代表性方法為核化相關(guān)濾波算法(Kernelized Correlation Filter,KCF)[7]。但是KCF方法跟蹤區(qū)域較小,不適應(yīng)快速運(yùn)動的物體,且抗背景干擾能力較差。Liu 等人[8]提出利用背景信息,建立目標(biāo)與背景的聯(lián)系,提高跟蹤精度。在跟蹤車輛時,同樣可以在使用KCF的基礎(chǔ)上,既保持較高的運(yùn)行速度,又利用背景信息,擴(kuò)大跟蹤區(qū)域,區(qū)分不同車輛,對抗惡劣天氣。

    2 基于背景建模的車輛跟蹤方法

    在車輛跟蹤中,車輛與車輛周圍背景對車輛的定位作用是不同的。車輛自身特征用于精確定位,但抗干擾能力差;車輛周圍背景能夠用來推測車輛位置,不能精確定位,但是抗干擾能力強(qiáng)。分析可知,若能同時利用車輛信息和車輛周圍背景信息,就可達(dá)到既精確定位又有較強(qiáng)抗干擾能力的跟蹤效果。這里為了滿足實時性要求,還使用了KCF作為基線跟蹤器。

    2.1 核化相關(guān)濾波算法

    Henriques 等人[7]提出了核化相關(guān)濾波算法(KCF),將目標(biāo)與周圍背景一起作為一個樣本進(jìn)行訓(xùn)練,利用循環(huán)移位方法構(gòu)造大量的潛在樣本,再使用循環(huán)矩陣的特性,用快速傅里葉變換高速訓(xùn)練與跟蹤。

    KCF是一種判別式方法,使用樣本集X=[x1,x2,…,xn]T,和對應(yīng)標(biāo)簽y=[y1,y2,…,yn]T,訓(xùn)練一個嶺回歸分類器y=f(x)。樣本集X是由一個基礎(chǔ)樣本x循環(huán)移位產(chǎn)生的,嶺回歸模型參數(shù)可以由式(1)進(jìn)行計算:

    (1)

    在跟蹤時,新樣本z可以由式(2)跟蹤:

    (2)

    2.2 基于背景建模的車輛跟蹤框架

    KCF將目標(biāo)與背景作為整體來進(jìn)行訓(xùn)練,容易混淆目標(biāo)與背景之間的關(guān)系,提出用目標(biāo)特征訓(xùn)練跟蹤器KCF1,用背景特征訓(xùn)練跟蹤器KCF2,再估計融合參數(shù)。當(dāng)新一幀到來時,使用2個KCF跟蹤器分別進(jìn)行跟蹤,使用訓(xùn)練得到的融合參數(shù)進(jìn)行融合,得到跟蹤結(jié)果?;诒尘敖5能囕v跟蹤框架如圖1所示。

    圖1 基于背景建模的車輛跟蹤框架

    Fig. 1 Framework of vehicle tracking based on background modeling

    2.3 基于背景建模的車輛跟蹤方法

    為了能利用車輛以及車輛背景的不同作用,研究中需要將車輛與車輛背景分離。對于跟蹤區(qū)域矩形R,構(gòu)造一個與R尺寸相同的全零矩陣,然后將其中目標(biāo)對應(yīng)的部分填充1,得到目標(biāo)背景分離矩陣o。在得到上一幀目標(biāo)位置后,以該位置為中心采樣與R尺寸相同的訓(xùn)練區(qū)域,提取特征后得到x,于是有:

    (3)

    其中,xT和xB分別表示車輛目標(biāo)與車輛背景部分的特征。利用公式(1)可以分別得到KCF1和KCF2的跟蹤器參數(shù)αT和αB。

    2個KCF跟蹤器分別使用2個遺忘因子ηT和ηB進(jìn)行在線更新以適應(yīng)車輛和車輛背景變化,此時需用到如下數(shù)學(xué)公式:

    (4)

    其中,0:t表示從第0幀到第t幀累積的模型參數(shù),t表示第t幀訓(xùn)練得到的模型參數(shù)。

    車輛模型和車輛背景模型是預(yù)測車輛運(yùn)動的重要線索。在新一幀圖像中跟蹤目標(biāo)時,先在上一幀目標(biāo)位置提取跟蹤區(qū)域特征z,利用公式(2)可以得到2個KCF跟蹤器的跟蹤結(jié)果yT和yB。令T為車輛目標(biāo)模型,B為車輛背景模型,不考慮跟蹤區(qū)域外的信息對車輛定位的影響,根據(jù)前面對目標(biāo)背景的分離方有T∩B=φ和T∪B=U,使用貝葉斯框架融合目標(biāo)和背景信息,跟蹤區(qū)域中任一點(diǎn)x是目標(biāo)位置的概率為:

    P(x)=P(x,T)+P(x,B)=P(x|T)P(T)+P(x|B)p(B),

    (5)

    (6)

    對于模型預(yù)測可靠度,參考KCF跟蹤器的最大響應(yīng),即令:

    (7)

    融合跟蹤時目標(biāo)被定位在P(x)值最大處,即:

    xp=arg maxP(x),

    (8)

    跟蹤時使用上一幀的dxt-1,跟蹤后,更新dx,則有:

    (9)

    在車輛目標(biāo)模型可靠時,目標(biāo)特征會在跟蹤預(yù)測中發(fā)揮更大作用;在車輛目標(biāo)模型不可靠時,車輛背景特征會發(fā)揮作用,協(xié)助定位目標(biāo)。當(dāng)獲取車輛位置后,使用SAMF方法[9]估計目標(biāo)尺度。

    3 實驗結(jié)果與分析

    OTB數(shù)據(jù)集[1]中共有10個汽車視頻,對提出的方法、SAMF方法和KCF方法進(jìn)行了對比實驗。使用的評價指標(biāo)為距離精度(Distance Precision,DP),重疊成功率(Overlap Success Rate,OS)和平均中心位置誤差(Center Location Error,CLE)。

    圖2給出了在不同閾值下的距離精度曲線和重疊成功率曲線,圖例處的數(shù)值分別表示閾值為20像素的距離精度,以及重疊成功率曲線下面積。提出的方法取得了0.988的距離精度以及0.821的重疊成功率曲線下面積,使用基于背景建模的方法,相對不使用背景建模的SAMF方法提高了0.021的距離精度和0.107的重疊成功率曲線下面積。

    (b) 不同閾值下的重疊成功率曲線

    3個跟蹤器在10個汽車視頻中對應(yīng)的平均中心位置誤差詳見表1。提出的方法在10個視頻中的7個都降低了平均中心位置誤差,在Car2視頻中與SAMF相同,在BlurCar3和Car4視頻中與SAMF接近。

    表1 3個跟蹤器在10個汽車視頻中對應(yīng)的平均中心位置誤差

    Tab. 1 Average center location errors of the three trackers in ten vehicle videos像素

    視頻提出的方法SAMFKCFBlurCar14.304.605.10BlurCar23.864.266.81BlurCar33.933.604.14BlurCar46.396.809.91Car11.241.5242.43Car21.751.753.97Car42.662.219.47Car242.4312.034.10CarDark1.432.765.76CarScale7.118.4116.14

    為了更好地可視化跟蹤器的跟蹤效果,將3個跟蹤器在Car1、Car24和CarScale視頻中的跟蹤結(jié)果展示在圖3中。由圖3可知,在Car1視頻中,KCF由于未估計汽車尺度,當(dāng)汽車尺度變化時,目標(biāo)框中背景變多,逐漸發(fā)生了漂移;提出的方法將目標(biāo)與背景分離跟蹤再融合,比SAMF方法對目標(biāo)建模更精準(zhǔn),估計的目標(biāo)框中包含了少量背景。在Car24視頻中,汽車發(fā)生尺度變化的同時,周圍背景變化也較大,KCF和SAMF方法都轉(zhuǎn)而跟蹤汽車的局部,而提出的方法始終準(zhǔn)確地跟蹤了目標(biāo)。在CarScale視頻中,汽車變形比較快,且汽車尺寸的長寬比發(fā)生了較大變化,目標(biāo)模型難以適應(yīng)汽車的變化,3個方法都未能準(zhǔn)確估計汽車尺寸,但提出的方法利用了背景信息,給出了最準(zhǔn)確的定位結(jié)果。

    圖3 在Car1、Car24和CarScale視頻中的跟蹤結(jié)果

    4 結(jié)束語

    基于背景建模的車輛跟蹤方法對車輛目標(biāo)和車輛背景分別跟蹤,協(xié)同建模,融合預(yù)測得到魯棒的跟蹤結(jié)果。實驗結(jié)果表明,提出的方法能提高車輛跟蹤的距離精度和重疊成功率,降低跟蹤結(jié)果的平均中心位置誤差,在復(fù)雜環(huán)境下,對車輛變形、車輛干擾、運(yùn)動模糊和快速運(yùn)動等因素具有魯棒性。

    猜你喜歡
    跟蹤器成功率背景
    成功率超70%!一張冬棚賺40萬~50萬元,羅氏沼蝦今年將有多火?
    光伏跟蹤器陣列跟蹤精度的測算方法研究
    太陽能(2022年3期)2022-03-29 05:15:50
    “新四化”背景下汽車NVH的發(fā)展趨勢
    如何提高試管嬰兒成功率
    《論持久戰(zhàn)》的寫作背景
    淺析一種風(fēng)光儲一體化跟蹤器
    太陽能(2020年3期)2020-04-08 03:27:10
    超長待機(jī)的自行車位置跟蹤器
    如何提高試管嬰兒成功率
    雙向多軌跡判定方法在目標(biāo)跟蹤中的應(yīng)用研究
    晚清外語翻譯人才培養(yǎng)的背景
    抚顺县| 沁水县| 拜城县| 宜丰县| 万荣县| 冕宁县| 年辖:市辖区| 盐津县| 安龙县| 读书| 航空| 青铜峡市| 日喀则市| 莆田市| 舞阳县| 黄山市| 甘泉县| 滨海县| 老河口市| 濮阳市| 包头市| 云梦县| 吴桥县| 怀化市| 延寿县| 儋州市| 新竹县| 社旗县| 永吉县| 曲松县| 遂溪县| 津市市| 威信县| 林口县| 南皮县| 西和县| 罗平县| 桓仁| 怀远县| 酉阳| 佛山市|