先验模型约束的抗干扰轮廓跟踪

目的 基于水平集的轮廓提取方法被广泛用于运动物体的轮廓跟踪。针对传统方法易受局部遮挡、复杂背景等因素影响的问题，提出一种先验模型约束的抗干扰（AC-PMC）轮廓跟踪算法。方法 首先，选取图像序列的前5帧进行跟踪训练，将每帧图像基于颜色特征分割成若干超像素块，利用均值聚类组建簇集合，并通过该集合建立目标的先验模型。然后，利用水平集分割方法提取目标轮廓，并提出决策判定算法，判断是否需要引入形状先验模型加以约束，避免遮挡、复杂背景等影响。最后，提出一种在线模型更新算法，在特征集中加入适当特征补偿，使得更新的目标模型更为准确。结果 本文算法与多种优秀的轮廓跟踪算法相比，可以达到相同甚至更高的跟踪精度，在Fish、Face1、Face2、Shop、Train以及Lemming视频图像序列下的平均中心误差分别为3.46、7.16、3.82、13.42、14.72、12.47，算法的跟踪重叠率分别为0.92、0.74、0.85、0.77、0.73、0.82，算法的平均运行速度分别为4.27 帧/s、4.03 帧/s、3.11 帧/s、2.94 帧/s、2.16 帧/s、1.71 帧/s。结论 利用目标的先验模型约束以及提取轮廓过程中的决策判定，使本文算法在局部遮挡、目标形变、目标旋转、复杂背景等条件下具有跟踪准确、适应性强的特点。

Anti-interference contour tracking under prior model constraint