前景划分下的双向寻优跟踪方法

目的 基于目标模型匹配方法被广泛用于运动物体的检测与跟踪。针对传统模型匹配跟踪方法易受局部遮挡、复杂背景等因素影响的问题，提出一种前景划分下的双向寻优BOTFP （Bidirectional optimization tracking method under foreground partition）跟踪方法。方法 首先，在首帧中人工圈定目标区域，提取目标区域的颜色、纹理特征，建立判别外观模型。然后，利用双向最优相似匹配方法进行目标检测，计算测试图像中的局部特征块与建立的外观模型之间的相似性，从而完成模型匹配过程。为了避免复杂背景和相似物干扰，提出一种前景划分方法约束匹配过程，得到更准确的匹配结果。最后，提出一种在线模型更新算法，引入了距离决策，判断是否发生误匹配，避免前景区域中相似物体的干扰，保证模型对目标的描述更加准确。结果 本文算法与多种优秀的跟踪方法相比，可以达到相同甚至更高的跟踪精度，在Girl、Deer、Football、Lemming、Woman、Bolt、David1、David2、Singer1以及Basketball视频序列下的平均中心误差分别为7.43、14.72、8.17、13.61、24.35、7.89、11.27、13.44、12.18、7.79，跟踪重叠率分别为0.69、0.58、0.71、0.85、0.58、0.78、0.75、0.60、0.74、0.69。与同类方法L1APG （L1 tracker using accelerated proximal gradient approach），TLD （tracking-learning-detection），LOT （local orderless tracker）比较，平均跟踪重叠率提升了20%左右。结论 实验结果表明，在前景区域中，利用目标的颜色特征和纹理特征进行双向最有相似匹配，使得本文算法在部分遮挡、目标形变、复杂背景、目标旋转等条件下具有跟踪准确、适应性强的特点。

Bidirectional optimization tracking method under foreground partition