Target tracking based on standard hedging and feature fusion for robot
Target tracking based on standard hedging and feature fusion for robot
复制标题
基于标准对冲和特征融合的机器人目标跟踪
DOI：
10.1108/ir-09-2020-0212
复制
发表时间：
2021-06
期刊：
影响因子：
--
通讯作者：
Shengyong Chen
中科院分区：
文献类型：
--
作者：
Sixian Chan;Jian Tao;Xiaolong Zhou;Binghui Wu;Hongqiang Wang;Shengyong Chen
目的
视觉跟踪技术使工业机器人能够智能地与人类进行交互。但由于跟踪问题的复杂性，视觉目标跟踪的精度仍有很大的提高空间。提出一种基于标准模糊限制和特征融合的视觉目标精确跟踪方法。
设计/方法/方式
在这项研究中，作者首先学习目标和相似对象之间的区别信息的直方图中的有向梯度的特征优化方法，然后使用标准的对冲算法，动态平衡不同的特征优化组件之间的权重。此外，通过引入空间正则化系数对滤波器系数进行惩罚，并扩展了核相关滤波器以实现鲁棒跟踪。最后，提出了一种模型更新机制，以提高跟踪的有效性。
结果
大量的实验结果表明，所提出的方法相比，国家的最先进的跟踪方法的上级性能。
独创性/价值
通过特征融合和标准模糊算法对现有视觉目标跟踪算法进行改进，进一步提高机器人对现实中目标的跟踪精度。
Purpose
Visual tracking technology enables industrial robots interacting with human beings intelligently. However, due to the complexity of the tracking problem, the accuracy of visual target tracking still has great space for improvement. This paper aims to propose an accurate visual target tracking method based on standard hedging and feature fusion.
Design/methodology/approach
For this study, the authors first learn the discriminative information between targets and similar objects in the histogram of oriented gradients by feature optimization method, and then use standard hedging algorithms to dynamically balance the weights between different feature optimization components. Moreover, they penalize the filter coefficients by incorporating spatial regularization coefficient and extend the Kernelized Correlation Filter for robust tracking. Finally, a model update mechanism to improve the effectiveness of the tracking is proposed.
Findings
Extensive experimental results demonstrate the superior performance of the proposed method comparing to the state-of-the-art tracking methods.
Originality/value
Improvements to existing visual target tracking algorithms are achieved through feature fusion and standard hedging algorithms to further improve the tracking accuracy of robots on targets in reality.
登录
查看更多内容
DOI：
10.1016/j.patcog.2017.07.006
发表时间：
2017-12
期刊：
Pattern Recognit.
影响因子：
--
作者：
Sixian Chan;Xiaolong Zhou;Junwei Li;Shengyong Chen
通讯作者：
Sixian Chan;Xiaolong Zhou;Junwei Li;Shengyong Chen
影响因子：
3.9
作者：
Qianbo Liu;Guoqing Hu;Md Mojahidul Islam
通讯作者：
Qianbo Liu;Guoqing Hu;Md Mojahidul Islam
DOI：
10.1007/978-3-030-03341-5_20
发表时间：
2018-11
期刊：
--
影响因子：
--
作者：
Bolin Lv;Xiaolong Zhou;Shengyong Chen
通讯作者：
Bolin Lv;Xiaolong Zhou;Shengyong Chen
DOI：
--
发表时间：
2015-02
期刊：
--
影响因子：
--
作者：
Seunghoon Hong;Tackgeun You;Suha Kwak;Bohyung Han
通讯作者：
Seunghoon Hong;Tackgeun You;Suha Kwak;Bohyung Han
影响因子：
12.3
作者：
Xiaolong Zhou;Youfu Li;B. He;Tianxiang Bai
通讯作者：
Xiaolong Zhou;Youfu Li;B. He;Tianxiang Bai