多特征融合的目标跟踪.pptVIP

一级粒子滤波：对k时刻提议分布 进行重要性采样，然后将颜色特征作为观测量来确定目标模板和候选模版的相似度，获得每个粒子的权重以及后验概率密度分布，对目标位置进行粗略估计 颜色和边缘特征的融合 二级粒子滤波：在含有观测量的重要性函数上进行采样，此时的提议分布为 。同理获得目标状态的后验概率密度分布，最终确定目标精确位置 颜色和边缘特征的融合 模版更新： 模版更新分为两部分： 目标模版更新 为从（0,1）区间产生的随机数 颜色和边缘特征的融合 运动模版更新 利用原始模版和当前目标模版之间的距离 作为判决依据，当两个模版之间的距离过大时，即 时，更新运动模版： 和 分为第i个特征运动模版和初始模版， 为更新系数， 颜色和边缘特征的融合 SIFT、颜色和空间特征的融合 SIFT特征可以使得颜色特征解决跟踪过程中的局部最小值问题 颜色特征可以帮助SIFT特征分割目标 空间特征可以用于解决目标遮挡问题 SIFT特征检测及表示 SIFT角点对图像平移变换、尺度变换、旋转变换以及部分光线变换具有不变性 SIFT角点可以由DoG图像算子 检测出来，其中 是平滑图像的差分，平滑图像 是由输入图像 做高斯卷积得到。 SIFT、颜色和空间特征的融合 通过与相邻26个像素相比较获得局部极值，若为局部极值，则确定为一个关键点 图像中每个关键点的梯度级 和方向 的计算公式如下： SIFT、颜色和空间特征的融合 特征融合 当前帧中的点可以表示为： ，其中 为2维坐标， 为特征向量。当前帧可以 分为若干个子窗口 ，子窗口 和 目标跟踪框大小相同，目标中的采样点编 码2维坐标和特征向量 SIFT、颜色和空间特征的融合 在当前子窗口 中目标概率密度函数由采 样点的颜色和目标区域的相似度、SIFT特 征和以上两项的欧式距离组成 是相关的权值系数 SIFT、颜色和空间特征的融合 是Bhattacharyya距离 是子窗口颜色概率密度分布 和 目标的颜色概率密度分布 的相似性度量 SIFT、颜色和空间特征的融合 根据像素的位置 定义函数 ， 对应的直方图bin和该位置的像素颜色对应， 目标区域Y的每个bin的颜色密度分布 计算公式如下 ： m为bins总数，k是归一化常数，L是目标区域内像 素总数 SIFT、颜色和空间特征的融合 为SIFT特征总数； 为当前子窗口SIFT特征总数 SIFT、颜色和空间特征的融合 为CamShift返 回的窗口中心坐标； 为当前窗口的中 心位置坐标 SIFT、颜色和空间特征的融合 跟踪框的位置由下式确定： SIFT、颜色和空间特征的融合 算法流程 在初始帧中定义感兴趣的矩形区域 计算该区域的颜色直方图并提取SIFT特征 在后一帧中，令前一帧的位置为该帧的感兴趣区域，区域大小为帧大小的四分之一，运用该区域大小进行逐像素计算 利用以上公式计算 利用 确定跟踪框位置 SIFT、颜色和空间特征的融合 颜色和运动信息的融合 融合运动信息和颜色信息可以消除两者的噪声和不感兴趣的区域 运动检测作为运动概率分布图可以很好的和颜色分布图融合 颜色特征 通过直方图反向投影计算颜色概率分布图： 计算目标的颜色直方图并存储在一个表中， 当出现新的图像帧时，为