首页 > > > 基于主动漂移矫正的运动目标跟踪算法.pdf

基于主动漂移矫正的运动目标跟踪算法.pdf

基于主动漂移矫正的运动目标跟踪算法.pdf

上传者: wanghao198901 2013-12-08 评分1 评论0 下载0 收藏10 阅读量698 暂无简介 简介 举报

简介:本文档为《基于主动漂移矫正的运动目标跟踪算法pdf》,可适用于硬件技术领域,主题内容包含第XX卷第X期自动化学报VolXX,NoXX年X月ACTAAUTOMATICASINICAMonth,X基于主动漂移矫正的运动目标跟踪算法李宏友汪同符等。

第 XX 卷 第 X 期 自 动 化 学 报 Vol. XX, No. X 200X 年 X 月 ACTA AUTOMATICA SINICA Month, 200X 基于主动漂移矫正的运动目标跟踪 算法 李宏友 1 汪同庆 1 叶俊勇 1 摘 要 针对传统的图像仿射配准算法 (AIA, Affine Image Align- ment) 无法有效兼顾算法效率和鲁棒性的问题, 本文提出了一种快速鲁 棒的新仿射配准算法 – 主动漂移矫正算法(ADC, Active Drift Cor- rection)用于跟踪视频运动目标. 该算法的基本思想是:通过引入一个 漂移矫正项, 来改进传统算法的目标能量函数, 使算法天然具备抗漂移的 能力, 从而提高算法的鲁棒性. 改进后的算法不需要传统算法中为增强 鲁棒性而采用的许多复杂措施(典型如, 被动漂移矫正). 试验结果表明: 本文提出的算法简单、有效, 在不必牺牲算法效率和复杂度的条件下, 可 以获得比传统算法更高的鲁棒性. 关键词 运动目标跟踪;图像仿射配准算法;主动漂移矫正;鲁棒性 中图分类号 TP391 Tracking Moving Target Using Active Drift Correction Algorithm Li Hong-You1 WANG Tong-Qing1 YE Jun-Yong1 Abstract For the traditional problem of non-compatibility be- tween the robustness and the efficiency of affine image alignment algorithm, we propose a new fast and robust affine image align- ment algorithm called ADC (Active Drift Correction) for track- ing the visual moving target. The basic idea of our method is: By incorporating a drift correction term into the traditional goal energy function, the new algorithm has the natural ability of anti-drift, which then, therefore, can boost the performance of robustness. Many extra techniques (typically as passive drift cor- rection) in traditional methods for a high robustness are unnec- essary in our algorithm. The experimental results show that our algorithm is sample and efficient. It can attain to a higher per- formance of robustness than the traditional methods but make no compromise with the complexity and real time performance of the algorithm. Key words Moving target tracking, affine image alignment algorithm, active drift correction, robustness 1 引言 自 Lucas 和 Kanade[1] 于 1981 年首次提出以来, 图像 仿射配准算法 (AIA) 逐渐发展成为计算机视觉领域应用最 广的技术之一. 其应用包括目标跟踪, 光流场估计, 图像拼接, 图像分层, 参数化运动估计, 医学图像配准, 人脸识别等. 为 了满足日益提高的应用需求, 研究者们[38] 在原始算法思想 之上, 提出了许多富有创新的改进. 其中, 研究焦点主要集中 在算法的鲁棒性和效率两方面. 效率方面,Dellaert 和 Collins[5] 提出在仿射配准时将当 前帧图像和模板图像两者角色进行互换, 这样可以有效避免 每次迭代过程都要重新计算 Hessian 矩阵, 从而可大大提高 算法效率.该思想随后被 Baker等人[6,7] 完善推广,发展出高 收稿日期 2007-09-27 收修改稿日期 2007-11-3 Received Sept. 27, 2007; in revised form Nov. 3, 2007 1. 重庆大学光电技术及系统教育部重点实验室 重庆 400030 1. Key Lab of Optoelectronic Technique and System of Ministry of Education, Chongqing University Chongqing,China. 400030 DOI: 10.3724/SP.J.1004.2008.xxxxx 效率的反向合成算法 (IC Inverse Compositional algorithm). 尽管如此, 由于噪声 (由光照变化, 目标形变以及遮挡等引 起) 的引入, 目标平面与模板在跟踪过程中几乎不可能单纯 地呈仿射对应关系, 使得其鲁棒性与原始 AIA 算法一样受到 严峻挑战, 具体表现为模板漂移问题. Hager与Belhumeur[3] 两人提出在仿射配准时只计算真 实的目标像素, 而阻止噪声、背景等外部像素点 (’outliers’) 参与配准从而提高了算法鲁棒性. 该算法的主要不足在 于:Hessian 矩阵的计算与外部像素划分相关, 从而也导致每 次迭代均需要重新计算 Hessian 矩阵, 降低了算法效率. 为此 Ishikawa[4] 等人提出采用对模板进行“分块”配准的方法, 而 每一子块的 Hessian 矩阵均独立采用固定常量值而不必每次 迭代都重新计算, 从而提高了算法效率. 然而, 问题是分块操 作本身也是个复杂问题, 而且在跟踪过程中, 如何自动确定 出每帧模板的外部像素点这一问题依然存在. 无论是确定外 部像素点或者分块, 都将导致算法复杂度升高. 2004 年, 内基梅隆大学的Matthews[8] 等人提出了一种 比较新颖的思想, 即从模板更新的角度来考虑 AIA 算法的鲁 棒性问题. 他们提出在每一帧内对当前模板跟踪完成后, 再 对原始模板作第二次跟踪 (又称矫正跟踪). 由于经过两次跟 踪, 算法的漂移抑制能力的确有较明显的改善. 但这归根结 底是一种类似亡羊补牢的被动措施, 不能最有效地发挥漂移 矫正思想的作用. 且该算法存在两大问题:一是, “二次跟 踪”显然要消耗相当的时间, 大大降低了算法的整体效率;其 次, 二次跟踪原始模板, 本质上违背了模板更新的目的, 因此 在目标形变突出时的跟踪性能依然不尽人意. 习惯上称其为 被动漂移矫正算法 (PDC Passive Drift Correction). David[9] 在其最新的论文中也采用 PDC 算法来实现目 标跟踪. 该文算法在 PDC算法上额外增加了一个类似“阻止 外部像素”的过滤函数以及在模板更新时插入一个额外的仿 射参数更新步骤. 尽管这些措施在一定程度上改善了算法的 鲁棒性, 但遗憾的是该算法并没有试图去从根本上解决 PDC 存在的两大固有问题. 相反, 其效率较 PDC 算法反而更低 了. 受 Matthews[8] 等人思想的启发, 本文也利用原始模板 的漂移矫正能力来增强 AIA 算法的鲁棒性, 但本文采取的是 在原有跟踪过程中同步进行漂移矫正, 并不需要额外进行一 次矫正跟踪, 从而能够在根本上有效地解决 PDC 算法的两 大固有问题. 由于本文算法在跟踪漂移尚未产生前或产生时, 就有意识地对其进行了防范和遏制, 因此习惯上称其为主动 漂移矫正算法 (ADC Active Drift Correction). 2 背景知识 2.1 图像仿射配准算法 AIA 算法的根本目的是希望模板像素 XXX = (x, y)T 经过仿射变换 W (XXX;PPP ) 后映射在当前图像 I 中的子图像 I(W (XXX;PPP )) 与原始模板间的累计误差最小化, 即要求表达 式: XXX [I(W (XXX;PPP )) T (XXX)]2 (1) 取得最小值. 上式中W (XXX;PPP ) 为仿射变换函数: W (XXX;PPP ) = [ 1 + p1 p3 p5 p2 1 + p4 p6 ] xy 1 (2) PPP = (p1, p2, p3, p4, p5, p6) T 为仿射变换参数. 2 自 动 化 学 报 XX卷 图 1 PDC 算法原理 Fig. 1 Framework of the PDC algorithm 易见,AIA 算法把对目标像素的跟踪问题间接化为:寻 找使表达式(1)取得最小值的仿射变换参数 PPP 这一非线性 优化问题. 一般利用最速迭代下降法求解这一优化问题, 即 在已知 PPP 当前估计值的前提下, 反复迭代累加 PPP , 确保每 次迭代时关于 PPP 的目标表达式: XXX [I(W (XXX;P +PPP )) T (XXX)]2 (3) 最小化, 并不断更新 PPP 的当前估计值, 直到迭代收敛为止. 将(3)式在 PPP = 0 处泰勒展开, 并求解其极值条件方 程, 可得每次迭代 P 的累加量: PPP = H1 XXX [ I W PPP ]T [T (XXX) I(W (XXX;PPP ))] (4) 其中 H 为 Hessian 矩阵, H = XXX [ I W PPP ]T[ I W PPP ] (5) 2.2 IC 算法和 PDC 算法 从(5)式中易见, 原始 AIA 算法的 Hessian 矩阵与 I(W (XXX;PPP )) 相关, 而仿射参数 P 是在迭代更新的, 从而导 致每次迭代都需要重新计算 Hessian 矩阵, 严重影响了算法 的效率. 针对此点,Baker[6,7] 等人在求解关于(1)式的最小 化问题时, 提出了反向合成算法 (IC, Inverse Compositional algorithm). 改进后的目标表达式变为: XXX [I(W (XXX;PPP )) T (W (XXX;PPP )]2 (6) 对比(3)(6)两式可见,IC 算法的基本思想是:在迭代求 解仿射参数 PPP 的过程中, 将图像区域与模板进行角色置换, 即, 利用模板 T 关于 PPP 仿射变换后的图像 T (W (XXX;PPP ) 去匹配原图像中的当前映射区域内的子图像 I(W (XXX;PPP )), 这与(3)式中两图所扮演的角色刚好相反. 与(6)式对应的 Hessian 矩阵变为: H = XXX [ T W PPP ]T[ T W PPP ] (7) 可见, 改进后 IC 算法的Hessian 矩阵已经不再依赖于仿 射变换映射图 I(W (XXX;PPP )), 而反过来只依赖于模板 T , 因此 可以在迭代开始前预先计算, 从而极大地提高了算法的效率. 关于 PDC 算法, 由于它是从模板更新的角度利用原始 模板 T0 来实现漂移矫正, 因此本质上它更像一种框架设计 算法. 其原理如图 1 所示, 图中 n 表示当前是在第 n 帧图像 内跟踪. 该算法在 AIA 算法迭代完成后(即图中“第一次跟 踪”结束后), 而在模板更新前, 以对当前模板 T 跟踪到的仿 射变换参数 PPPn 作为初始化参数, 再对原始模板 T0 作二次 跟踪(又称矫正跟踪), 获得矫正后的仿射变换参数 PPP , 并 以此参数来更新模板. 显然, 为了达到漂移矫正的目的,PDC 算法多消耗了一次跟踪所需的运行时间, 极大地损害了整 体算法的跟踪效率. 而且对于每一帧, 用于更新模板的图像 In(W (XXX;PPP )) 始终是跟踪匹配原始模板 T0 的产物, 这在一 定程度上违背了实际应用中需要不断更新模板的初衷. 3 主动漂移矫正算法(ADC) 3.1 算法思想 研究中我们发现, 传统算法及其改进算法的着眼点基本 上都是单纯地希望最小化与当前模板的累计平方误差, 因此, 一旦某一帧的跟踪模板出现噪声则会在后续跟踪中逐渐累 加, 形成误差累计效应. 从 PDC 算法中, 我们了解到原始模 板 T0 具有漂移矫正的能力, 但如前所述 PDC 所采用的矫正 方法本身有严重的缺陷, 因此, 我们希望找到一种方法, 使得 原始模板 T0 的漂移矫正功能得到充分的发挥, 但又不至于 带来如 PDC 算法那样的反面副作用. 要实现这一目标, 最佳方法莫过于在 AIA 算法体内直接 融入漂移矫正信息, 化被动漂移矫正为主动矫正, 即:在跟踪 漂移产生以前或产生的同时, 便利用 T0 来防范或遏制. 具体 地, 我们将传统已有的跟踪信息和加入的漂移矫正信息看作 是不同的能量成分, 由他们构成一个总体能量, 通过最小化 总能量来同步实现原有的跟踪和漂移矫正, 这可被称作“合 成目标能量”思想. 经反复研究和试验, 本文提出如下的合成 目标能量函数: E = (1 α) ET + α EDC (8) ET = XXX [T (XXX) I(W (XXX;PPP ))]2 (9) EDC = XXX [T0(XXX) I(W (XXX;PPP ))]2 (10) α [0, 1] 为漂移矫正系数.T 表示当前跟踪模板;T0 为初始 模板;ET 是关于当前模板 T 的目标能量成分, 它代表着当 前仿射映射区域的子图像 I(W (XXX;PPP )) 与当前模板 T 之间 X期 尚书林等:《自动化学报》稿件加工样本 3 的差异程度;EDC 是关于原始模板 T0(又称矫正模板) 的目 标能量成分, 它反映了 I(W (XXX;PPP )) 与 T0 之间的差异程度; 而总体能量 E 则有所侧重地反映了 I(W (XXX;PPP )) 与当前模 板 T 和矫正模板 T0 各自差异的总差异. ADC 算法的目的是希望合成目标能量 E 最小化, 即: PPP = argmin PPP E (11) 需要特别强调的是,I(W (XXX;PPP )) 具体是指模板像素坐标 XXX = (x, y)T 经仿射变换后的坐标集合 W (XXX;PPP ) 映射在当 前帧图像 I 上的像素集合(取像素值, 如灰度值)经过插补运 算所得, 且插补均按模板尺寸为准. 因此,I(W (XXX;PPP )) 实质 上是与模板尺寸一致的一幅插补图像. 也因此, 无论哪一帧 的当前模板尺寸均与原始模板尺寸一样. 3.2 算法推导 为了保证算法的效率, 本文按照反向合成算法的思想来 迭代求解(11)中的非线性优化问题. 假定 P 的当前估计已 知, 迭代累加 PPP 进行求解, 于是等式(8)变为如下形式: E = (1 α) XXX [T (W (XXX;PPP )) I(W (XXX;PPP ))]2+ α XXX [T0(W (XXX;PPP )) I(W (XXX;PPP ))]2 (12) 将 E(PPP ) 在 PPP = 0 处进行泰勒展开, 近似有: E = (1 α) XXX [T (XXX) I(W (XXX;PPP )) +T W PPP PPP ]2+ α XXX [T0(XXX) I(W (XXX;PPP )) +T0 W PPP PPP ]2 (13) 其中, WPPP ) 为雅可比矩阵. 再对 PPP 求导可得: E PPP = 2(1 α) XXX [T W PPP ] T [T (XXX) I(W (XXX;PPP ))+ T W PPP PPP ] + 2α XXX [T0 W PPP ] T [T0(XXX) I(W (XXX;PPP )) +T0 W PPP PPP ] (14) 令 (14) 式中 E PPP = 0 可得: PPP = H1{(1 α) XXX [ T W PPP ]T [T (XXX) I(W (XXX;PPP ))] +α XXX [ T0 W PPP ]T [T0(XXX) I(W (XXX;PPP ))]} (15) 其中, 合成的 Hessian 矩阵为: H = XXX {(1 α) [ T W PPP ]T[ T W PPP ] + α [ T0 W PPP ]T[ T0 W PPP ] } (16) 易见, 上式中 Hessian 矩阵只与当前模板 T 和初始模板 T0 有关, 因此可以在迭代开始前预先计算, 从而保证了算法的 高效率. 最后, 更新仿射变换区域: W (XXX;PPP ) =W (XXX;PPP ) W (XXX;PPP )1 (17) 此处,W (XXX;PPP ) 是指模板像素坐标 X = (x, y)T 经仿射参数 PPP 变换后的坐标集合, 其尺寸与原始模板尺寸一致, 即坐标 变量X 的取值范围为原始模板像素的坐标范围(尺寸范围). 3.3 算法实现步骤 给定当前帧图像 In(XXX), 原始模板 T0, 当前模板 T , 以及 漂移矫正能量权重系数 α,ADC 算法可概括为预先计算和迭 代计算两个阶段, 具体步骤如下: 预先计算: 1. 分别计算两模板的梯度:T0 和 T ; 2. 计算 (XXX; 0) 处的雅可比矩阵:WPPP ) ; 3. 分别计算两模板的最速下降图像:T0 WPPP ,T WPPP ; 4. 按(16)式计算 Hessian 矩阵 H; 迭代计算: 5. 将当前帧图像 In(XXX), 取W (XXX;PPP ) 位置的像素按模 板尺寸插补为 I(W (XXX;PPP )); 6.分别计算误差图像:T0(XXX) I(W (XXX;PPP )),T (XXX) I(W (XXX;PPP )); 7. 分别计算累计误差: XXX [T WPPP ]T[T (XXX) I(W (XXX;PPP ))] 和XXX [T0 WPPP ]T[T0(XXX) I(W (XXX;PPP ))]; 8.按(15)式计算 PPP; 9.按(17)式更新仿射变化区域; 需要指出的是, 出于为第 n+ 1 帧的跟踪做准备, 当第 n 帧跟踪完毕后 ADC 算法并不需要任何二次跟踪步骤, 仅采 用最简单的策略更新模板即可, 即: Tn+1(XXX) = I(W (XXX;PPP )) (18) 4 目标跟踪试验及分析 本文试验均在一台 CPU 为奔腾 4 3.0G, 内存 512M 的 PC 机上完成, 开发平台为 Matlab7.1 版. 实验主要采用 ADC 算法与 Matthews[8] 等人提出的 PDC 算法做性能比 较的方式进行. 同时我们还简单讨论了 ADC 算法中漂移矫 正系数的选取问题. 图 2 给出是在 PETS2001 视频序列 (第 2001-2500 帧) 上的测试结果. 试验以最前端的车辆尾部(初始化为矩形模 板)作为目标, 跟踪过程一直持续到目标车辆因超车改道消 失为止. 图中左列显示的是被动漂移矫正算法(漂移矫正更 新)的运行结果, 右列是本文算法的跟踪结果. 被动漂移矫正 尽管在前 300 帧基本能够保证跟踪的稳定性, 但是易见, 在 第 350 帧时跟踪结果已经出现了明显的漂移,400 帧时漂移 加剧, 450 帧时算法已经发散, 跟踪彻底失败. 而本文提出的 ADC 算法运行结果显示, 直到目标超车被遮挡消失前一刻 算法都能持续、准确地跟踪到目标. 值得说明的是, 跟踪精度上本文试验只做了定性比较而 没有考虑定量分析. 原因在于实际中几乎不可能获得连续准 确的目标像素区域, 即使如文献[9] 采用手工确定的方法, 实 际上也只能得出一个定性结果. 图 3 是在测试序列“PETS2001-Dataset5”第 501-750 帧上的试验结果. 图 (3d) 给出了首帧 (第 501 帧) 图像及跟 踪的初始模板. 图 (3a), (3b) 为算法的效率测试结果. 从图 (3a) 的运行时间上看, 本文提出算法平均所需时间约 0.75s, 仅为原有算法一半左右. 图 (3b) 中比较每帧跟踪所需的迭 代次数显示,ADC 算法也比原有的被动矫正算法节约了近一 半的次数. 这充分表明本文提出的算法不仅有较好的鲁棒性, 而且在算法效率上也有出色的表现. 4 自 动 化 学 报 XX卷 图 2 定性比较主动漂移矫正算法 ADC 与被动漂移矫正算法 PDC Fig. 2 Qualitative comparison between ADC and PDC. 图 3 中子图 (3c) 给出了选取不同的 α 值时,ADC 算法 的跟踪测试情况. 比较方法选用以初始模板 T0 为统一的参 照模板, 求取每种 α 值下的跟踪结果与 T0 的 RMS(均方根 误差). 测试结果显示, 当 α 取值 0.5,0.8,0.2,0.9 时, 跟踪结 果基本一致, 实际观测时他们的跟踪情况也一直比较稳定, 没有出现明显漂移. 而当 α 取 0.1 时, 得出的 RMS 明显比其 他取值下的结果偏高, 实际中也表现出到跟踪后期出现了轻 微的漂移. 特别地当 α 取 0 时(即不加入任何矫正信息时), 得出的 RMS 异常之大, 平均超过 50, 最高达到 80, 远远高 于图中显示的所有取值情况, 实际观测到的跟踪结果出现了 异常严重的漂移, 在 120 帧以后跟踪已经彻底失败. 实验结 果表明:加入一定量的漂移矫正信息(α 6= 0)能够很明显起 到抑制漂移的作用;其次, 取值不同时, 跟踪精度并不完全相 等, 但一般场合下 α 有较大的选取范围, 于有效跟踪目标而 言并不敏感. 然而, 需要指出的是, 在目标主要部分发生改变的场合,α 的选取范围会缩小, 其敏感性会酌情上升. 比如本次实验中 的车头模板 (见图 3 左下图), 若一个车灯逐渐消失 (脱离视 场), 或者因为转向导致车头部分的小部分车身也需要被跟踪 时, 在类似这样的目标形变严重的场合,α 的敏感性将会有所 上升. 具体上升多少, 要视不同的情况而定. 在目前我们的研 究中, 一般而言主要依据如下两条原则来选取 α:视频序列 中噪声越大, 则 α 取值越大; 目标形变(主要指有目标主要成 分发生改变的情况)越小, 则 α 取值越大; 反之亦然. X期 尚书林等:《自动化学报》稿件加工样本 5 0 50 100 150 200 250 0.5 0.7 0.9 1.1 1.3 1.5 1.7 1.9 2.1 2.3 2.5 Frame Ru n tim e (s) (3a) 0 50 100 150 200 250 2 4 6 8 10 12 Frame Nu m be r o f I nt er at io ns (3b) 0 50 100 150 200 250 10 15 20 Frame RM S Er ro r (3c) (3d) ADC PDC ADC PDC a=0.1 a=0.9 a=0.2 a=0.8 a=0.5 图 3 算法效率比较及 ADC 矫正系数的敏感性测试.(3a) 运行时间比较;(3b) 单次跟踪所需的迭代次数比较;(3c)ADC 算法矫正系数敏感性测 试;(3d) 测试所用的视频序列首帧图像及初始化模板. Fig. 3 Comparing the efficiency of ADC with PDC and testing the sensitivity of the correcting coefficient of ADC.(3a)Comparison of the run-time needed by each method;(3b)Comparison of the number of iterations needed by each method;(3c)Testing the sensitivity of the correcting coefficient of ADC;(3d)First frame of the sequences and the initialized template for this experiment. 5 结论 本文提出了一种快速鲁棒的新图像仿射配准(AIA)算 法, 即:主动漂移矫正(ADC)算法. 该算法有两大主要特 点:(1)主动引入原始模板信息来实现漂移矫正, 充分发挥了 漂移矫正思想的作用, 提高了算法的鲁棒性;(2)由于采用反 向合成思想, 并且不需要花时间来进行二次跟踪[7,8], 因此算 法效率非常高. 最后, 本文首次提出并应用了“合成目标能量 函数”的思想, 这为解决 AIA 算法的其他问题提供了又一种 选择方向. 下一步研究, 我们将尝试采用动态的漂移矫正系数来完 善本文提出的主动漂移矫正算法. 致谢 真诚感谢专家耐心细致的评阅, 感谢他们详尽指出了本 文初稿的许多错误与不足, 同时为本文的完善提出了许多建 设性的意见和建议. References 1 Lucas. B, Kanade. T. An iterative image registration tech- nique with an application to stereo vision. In: Proceeding of International Joint Conference on Artificial Intelligence. Vancouver, Morgan: Kaufmann Publishers, 1981. 674–679 2 ZHANG Pei, WU Ya-feng. Improved inverse compositional algorithm and operators comparison. Journal of Computer Applications, 2007,27(3): 669-673(in Chinese) (张培, 吴亚锋. 一种改进的反向合成算法及其算子比较. 计算机应 用,2007,27(3): 669-673) 3 G.D. Hager and P.N. Belhumeur. Efficient region tracking with parametric models of geometry and illumination. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(10):1025-1039 4 T.Ishikawa, I. Matthews and S. Baker. Efficient im- age alignment with outlier rejection. Technical Re- port CMU-RI-TR-02-27,Carnegie Mellon Univer- sity,Robotics Institute,2002.[Online], available: http:// www.ri.cmu.edu/people/ishikawa takahiro.html, Jan.1,2007 6 自 动 化 学 报 XX卷 5 Dellaert. F, Collins.R. Fast image-based tracking by selective pixel integration. In: Proceedings of the ICCV Workshop on Frame-Rate Vision. Corfu,Greece:IEEE, 1999.1-22 6 S. Baker, I. Matthews. Equivalence and efficiency of image alignment algorithms. In Proceedings of the IEEE Confer- ence on Computer Vision and Pattern Recognition. Kauai: IEEE, 2001. 1090-1097 7 S. Baker, I. Matthews. Lucas-Kanade 20 Years on: A uni- fying framework. International Journal of Computer Vision, 2004,56(3): 221-255 8 I. Matthews, T. Ishikawa, S. Baker. The template update problem. IEEE Transactions on Pattern Analysis and Ma- chine Intelligence, 2004,26(6): 810-815 9 David Schreiber. Robust template tracking with drift correc- tion.Pattern Recognition Letters,2007,28(12):1483-1491 李宏友 重庆大学光电工程学院博士研究生. 主要研究方向为计算机视 觉, 智能系统. E-mail: hylea@163.com (LI Hong-You Ph.D. candidate at Chongqing University. His research interest covers computer vision and intelligent system.) 汪同庆 重庆大学光电工程学院教授. 主要研究方向包括模式识别, 计 算机视觉, 无损检测. E-mail: ocr@cqu.edu.cn (WANG Tong-Qing Professor at Chongqing University. His research interest covers pattern recognition, computer vision, Nondestructive Testing.) 叶俊勇 重庆大学光电工程学院副教授. 主要研究方向包括模式识别, 人工智能. E-mail: ygyocr@cqu.edu.cn (YE Jun-Yong Associate professor at Chongqing University. His research interest covers pattern recognition, artificial intelli- gence.)

该用户的其他资料

  • 名称/格式
  • 评分
  • 下载次数
  • 资料大小
  • 上传时间

用户评论

0/200
    暂无评论
上传我的资料
资料评价:

/ 6
所需积分:1 立即下载
返回
顶部
举报
资料
关闭

温馨提示

感谢您对爱问共享资料的支持,精彩活动将尽快为您呈现,敬请期待!