• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Non-rigid multi-modal object tracking using Gaussian mixture models.
【24h】

Non-rigid multi-modal object tracking using Gaussian mixture models.

机译：使用高斯混合模型的非刚性多模式对象跟踪。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This work presents an approach to visual tracking based on dividing a target into multiple regions, or fragments. The target is represented by a Gaussian mixture model in a joint feature-spatial space, with each ellipsoid corresponding to a different fragment. The fragment set and its cardinality are automatically adapted to the image data using an efficient region-growing procedure and updated according to a weighted average of the past and present image statistics. The fragment modeling is used to generate a strength map indicating the probability of each pixel belonging to the foreground. The strength map provides vital information about new fragments appearing in the scene, thereby assisting in addressing problematic cases like self-occlusion. The strength map is used by the region growing formulation, reminiscent of discrete level set implementation, to extract accurate boundaries of the target. Significant speedup is achieved using the region growing procedure over traditional level set based methods. The joint Lucas-Kanade feature tracking approach is also incorporated for handling large unpredictable motions even in untextured regions. Experimental results on a number of challenging sequences demonstrate the effectiveness of the technique.
机译：这项工作提出了一种基于目标的视觉跟踪方法，将目标分为多个区域或片段。目标由关节特征空间中的高斯混合模型表示，每个椭球对应一个不同的片段。片段集及其基数使用有效的区域增长过程自动适应图像数据，并根据过去和当前图像统计信息的加权平均值进行更新。片段建模用于生成强度图，该强度图指示每个像素属于前景的概率。强度图提供有关场景中出现的新碎片的重要信息，从而帮助解决诸如自闭塞之类的问题情况。区域增长公式使用强度图（使人联想到离散的水平集实现方式）来提取目标的准确边界。在传统的基于水平集的方法上，使用区域增长过程可以显着提高速度。 Lucas-Kanade联合特征跟踪方法也被合并，即使在没有纹理的区域也可以处理较大的不可预测的运动。在许多具有挑战性的序列上的实验结果证明了该技术的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号