欢迎光临
我们一直在努力

我中心一篇论文被国际顶尖期刊IEEE T-PAMI接收

我中心一篇论文被国际顶尖期刊IEEE T-PAMI接收

IEEE T-PAMI:IEEE Transactions on Pattern Analysis and Mahine Intelligence,是计算机视觉与模式识别领域最顶尖的国际期刊,是中国计算机学会(CCF)推荐的人工智能领域A类期刊,2016-2017年的影响因子为9.445。每年国内一流科研单位在TPAMI上发表的文章数量十分有限。我中心李成龙博士和汤进教授与中山大学林倞教授、哈尔滨工业大学左旺孟教授以及加州大学默塞德分校Ming-Hsuan Yang教授合作,在T-PAMI上发表一篇长文。

以下是论文题目及介绍:

视觉跟踪是一个基础而又活跃的研究课题,在诸多领域有着较广泛的应用。近些年来,该课题的研究取得了很多重要进展,但仍存在很多问题没有被很好地解决。目前大多方法采用矩形包围盒来表示目标,而目标的复杂形状以及跟踪结果的噪声等会使得矩形包围盒包含一些背景部分,这样的目标特征表示会逐渐导致模型漂移,如图1中子图的左图所示。

图1 不同的挑战因素带来的矩形包围盒表示的不准确性以及本文方法计算的权重结果,其中,红色矩形框表示目标跟踪包围盒,颜色越热表示权重越大

本文提出一种新的方法减轻矩形包围盒中的背景信息对目标特征的影响,提高跟踪算法的鲁棒性。特别地,我们使用一种动态图来表示视频中的目标,其中,结点表示目标矩形包围盒内的局部图像块,边表示两个图像块之间的外观相容性。此外,我们为每个图像块分配一个权重(即结点权重),用来表示该图像块在表示目标中的重要性,也就是说,权重越大说明该图像块属于目标的重要性越大,而权重越小说明该图像块属于背景部分的可能性越大,如图1中子图的右图所示。和传统方法不同,我们提出一个新的联合优化框架同时求解图的结构、边的权重以及结点权重。算法的鲁棒性如图2所示。

图2 本文提出的权重计算方法的鲁棒性。可以看出,当目标包围盒受到一定的噪声干扰时,提出的权重计算方法也能够得到基本准确的重要性权重

最后,我们结合图像块的重要性权重和特征形成新的目标特征表示,使用结构化支持向量机算法实现稳健目标跟踪。在OTB100和VOT2016等4个数据集上进行了实验,验证了方法的有效性。样例结果如图3所示。

图3 跟踪结果对比示例,其中我们的方法为WPG

赞(89)
分享到: 更多

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址