分布场的多特征融合目标跟踪方法  

Study of multi-feature fusion methods for distribution fields in object tracking

作　　者：宋长贺[1] 李云松[1] 宁纪锋[2] 牟永强[3] 

机构地区：[1]西安电子科技大学综合业务网理论及关键技术国家重点实验室,陕西西安710071 [2]西北农林科技大学信息工程学院,陕西杨凌712100 [3]惠普公司打印与内容交付实验室,上海201203

出　　处：《西安电子科技大学学报》2015年第4期1-7,共7页Journal of Xidian University

基　　金：国家自然科学基金资助项目(61222101;61301287;61301291;61350110239);111基地资助项目(B08038);中央高校基本科研业务费专项资金资助项目(QN2013055;K5051201043;K5051301015)

摘　　要：针对分布场目标跟踪算法中使用分布场的目标模型估计鲁棒性较弱的问题,提出一种将分布场与其他特征有效融合的方法,来提高分布场特征表示的有效性.在对每个像素点进行分布场估计时,原始算法仅通过该点的灰度直方图来估计其在灰度空间上的分布,并没有考虑该点的位置与结构信息.为了实现在分布场中对目标结构信息的有效表示,通过对目标中包含结构信息的特殊点进行特殊编码以实现结构信息的融合.实验表明,对于一些复杂环境下的挑战视频序列,融合了结构信息的分布场比原始分布场在目标跟踪的成功率上具有显著优势,且优于当前流行的4种目标跟踪方法.In order to improve the robustness of the distribution fields （ DF） as an object model in object tracking , we propose a mutli‐feature fusion framework for the distribution fields . In the original DF‐based method , the density histogram was used to estimate the DF of a pixel , but the structural information was ignored . For effective representation of the structural information in the DFs , a special type of coding for the featured points which contain structural information is merged into the DFs . Experiments show that the new method outperforms the original method and four other state‐of‐the‐art tracking algorithms for some challenging video clips .

关 键 词：目标跟踪 多特征融合 分布场 边缘检测 特征点 目标模型 

分 类 号：TP273.5[自动化与计算机技术—检测技术与自动化装置]