基于纹理颜色模型的高原鼠兔突变运动跟踪-陈海燕.pdf

《基于纹理颜色模型的高原鼠兔突变运动跟踪-陈海燕.pdf》由会员分享，可在线阅读，更多相关《基于纹理颜色模型的高原鼠兔突变运动跟踪-陈海燕.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第 32 卷 第 11 期 农 业 工 程 学 报 Vol.32 No.11 214 2016年 6月 Transactions of the Chinese Society of Agricultural Engineering Jun. 2016 基于纹理颜色模型的高原鼠兔突变运动跟踪 陈海燕1,2，张爱华1，胡世亚1（ 1. 兰州理工大学电气工程与信息工程学院，兰州 730050； 2. 兰州理工大学计算机与通信学院，兰州 730050） 摘 要： 针对自然生境环境下高原鼠兔跟踪中，鼠兔毛色呈保护色与背景颜色相近以及运动随机的问题，构造了一种局部纹理差异性算子 LTDC（ local t

2、ernary difference count） ， 来表征目标和背景之间的细微差异性， 弥补了采用单一 LTC（ local ternary count） 算子的不足。 通过运动信息来判断鼠兔的运动模式， 不同的模式采用不同的采样跟踪策略。 把所构造的 LTDC算子与 R（ red） G（ green） B（ blue）颜色信息相结合来表示目标，并把该目标表示模型引入到运动信息引导的高原鼠兔跟踪方法中。通过对采集的秋冬季节高原鼠兔视频图像进行测试，分析跟踪的成功率和误差，得到的 LTDC 纹理颜色模型的目标表示方法在鼠兔发生突变运动时，由于采用了运动信息引导的采样跟踪方式，能够有效地捕获突变

3、目标，跟踪成功率达到 97.93%。在鼠兔发生平滑运动时，尽管目标与背景颜色相近，依然能够稳定地跟踪目标，跟踪误差较小，误差波动范围也较小，误差均值为 19.56，误差方差为 74.24。试验结果表明：所提出的跟踪方法具有较强的目标与背景区分能力，在目标和背景颜色相近、运动复杂的场景中，能够较为准确地实现高原鼠兔目标的定位。 关键词： 模型；运动；高原鼠兔；局部纹理差异性算子；运动信息；目标跟踪 doi： 10.11975/j.issn.1002-6819.2016.11.030 中图分类号： TP391.7 文献标志码： A 文章编号： 1002-6819(2016)-11-0214-05

4、陈海燕，张爱华，胡世亚. 基于纹理颜色模型的高原鼠 兔突变运动跟踪J. 农业工程学报， 2016，32(11)：214218 . doi： 10.11975/j.issn.1002-6819.2016.11.030 http:/www.tcsae.org Chen Haiyan, Zhang Aihua, Hu Shiya. Abrupt motion tracking of plateau pika (Ochotona curzoniae) based on local texture and color model J. Transactions of the Chinese Societ

5、y of Agricultural Engineering (Transactions of the CSAE), 2016, 32(11): 214 218. (in Chinese with English abstract) doi： 10.11975/j.issn.1002-6819.2016.11.030 http:/www.tcsae.org 0 引 言复杂背景下高原鼠兔准确、稳定的跟踪是鼠兔行为智能分析的基础，也是计算机视觉领域的一个重要研究方向1-2。自然生境环境下高原鼠兔毛色呈保护色，与背景相近，同时由于鼠兔运动的随机性和不可预测性，加大了鼠兔跟踪的难度。 目标跟踪中，通常用

6、描述目标的特征建立目标的表观模型，常用的特征有颜色、纹理、轮廓、光流、局部特征描述子等。与其他的视觉特征相比，颜色特征对图像的尺寸、方向、视角的依赖性较小，从而具有较高的鲁棒性3。一些经典的目标跟踪方法如均值偏移（ meanshift）算法4-6，粒子滤波算法7等，都是以颜色特征建立目标的表观模型。然而当场景中目标与背景颜色相近时，基于颜色特征的目标表示方法会跟踪到与目标颜色相近的背景而丢失目标。自然生境环境中鼠兔与背景颜色相近，用颜色特征作为目标的表示，容易导致鼠收稿日期： 2016-01-28 修订日期： 2016-04-20 基金项目：国家自然科学基金（ 61362034、 813602

7、29、 61265003） ；甘肃省自然科学基金（ 148RJZA020、 1310RJY020）资助项目 作者简介：陈海燕，女，甘肃陇西人，博士生，主要从事信号处理、目标检测与跟踪技术研究。兰州 兰州理工大学计算机与通信学院， 730050。 Email： 通信作者：张爱华，女，博士生导师，教授，博士，主要从事生物医学信号检测、处理与识别研究。兰州 兰州理工大学电气工程与信息工程学院，730050。 Email： 兔跟踪的失败。为此，需要更有区别力的目标表示方法。 同时，由于鼠兔运动的随机性和不可预测性，在鼠兔平滑运动的过程中往往会发生突变运动。采用传统的基于平滑性运动假设的跟踪方法，对

8、鼠兔突变运动的跟踪性能不佳。近年来，提出了一些突变目标跟踪的新方法8-13，这些方法主要针对目标突变运动的跟踪，对鼠兔平滑运动的跟踪性能不佳。为了在保证鼠兔突变运动跟踪性能的同时，改善鼠兔平滑运动的跟踪性能。文献 14在 Wang-Landau Monte Carlo 跟踪算法的基础上，提出了一种运动信息引导的高原鼠兔跟踪方法。提高鼠兔跟踪的整体性能。但该方法采用色度（ hue）、饱和度（ saturation）、亮度（ value）颜色直方图作为目标的表示，当目标与背景颜色相近时，会跟踪到与目标相似的背景而丢失目标。 目标的纹理通常不会受光照和背景颜色的影响，是较为稳定的特征。文献 15-1

9、9将局部二进制模式（ local binary pattern， LBP）以及其扩展模式与颜色信息相结合，取得了较好的跟踪效果。在一定程度上改善了目标与背景颜色相近场景下的目标跟踪性能，但仅考虑了纹理的结构信息，没有考虑灰度差异信息。文献 20考虑到局部纹理的相似性， 提出了一种局部相似数量 （ local similarity number）视觉描述子，与 R(red)、 G(green)、 B(blue)颜色模型相结合，取得了较好的跟踪效果。用计数代替了编码，减小了运算复杂度，但没有考虑局部纹理的差异性。 考虑到高原鼠兔目标跟踪中，鼠兔目标与背景纹理的存在局部差异性，本文提出一种局部三值差

10、异性计数第 11 期 陈海燕等：基于纹理颜色模型的高原鼠兔突变运动跟踪 215 （ local ternary difference count， LTDC）算子。将该算子与颜色信息相结合来表示目标，以增强目标与背景颜色相近情况下目标与背景的区分能力。将该目标表示方法引入到文献 14所提出的基于运动信息引导的高原鼠兔跟踪方法中，来对复杂背景下的高原鼠兔进行跟踪。 1 LTDC 局部纹理差异性算子 1.1 LTDC 局部纹理差异性算子 局部二值模式 （ LBP） 是 2002 年 Ojala T 等人提出的21。在此基础上又提出了一些 LBP 的扩展模式22-25，局部三值模式（ local t

11、ernary pattern， LTP）26就是 LBP 的扩展模式之一。 为了得到更有区别力的目标表示，文献 27在 LTP的基础上，舍弃局部纹理的结构信息，采用灰度差异信息。将 LTP 中心像素值的邻域宽度 -TT范围内的像素值量化为 0，大于此邻域宽度的像素值量化为 1，小于邻域宽度的像素值量化为 1。不对 LTP 编码，而是来统计量化值为 0、 1 和 1 的像素个数，当阈值 T 较小时，把量化值为 0 的像素个数作为中心像素和领域像素的相似性度量。量化值为 1 和 1 的数目反映了局部区域内有多少像素的灰度值高于中心像素的灰度值，有多少像素的灰度值低于中心像素的灰度值，体现了邻域像素

12、和中心像素的灰度差异性。为了体现邻域像素和中心像素的这种灰度差异性，文献 27定义了局部三值计数（ local ternary count， LTCiP,R）来表示这种局部纹理的差异性，其中 R，P 表示半径为 R 的圆上的 P 个邻域像素， i 为量化值的类型。 LTCiP,R不仅能够区分不同纹理结构的局部区域，而且还能够区分具有相同相似性程度的局部纹理区域，体现了中心像素和领域像素的差异性。 文献 27考虑到 LSN 算子与 LTCiP,R之间的关系，仅采用 LTC1P,R来述中心像素和领域像素的灰度差异性，而没有考虑 LTC-1P,R对局部纹理差异的贡献。 为了完善以上问题，本文用 LT

13、C1P,R和 LTC-1P,R共同来描述中心像素和领域像素的灰度差异性， 称作局部三值差异计数 （ LTDC）算子，定义为（ 1）式 11P,R00LTDC ( ,), ( ,)PPic iciif ggT sggT= 。（ 1） 其中1,(, )0,x TfxTx T=，1,(, )0,x TsxTx T=，1,(, )0,x TsxTx T=式中 gc是 8 邻域中心像素的灰度值， gi为 8 邻域像素的灰度值， i 从 0 取到 7， T 为阈值。 LTDC 算子只提取了代表目标边、 线和角的 5 种主要模式，体现了目标的主要特性，减少了目标表示的特征维度。 若7700( ,) ( ,)

14、ic iciif ggT sggT=+ 值为 0、 1、 2 和3 表示是光滑点，不对该点进行直方图的统计。否则把该点的 R、 G、 B 三通道量化，和 LTDC 算子一起构成8855 的特征向量来表示目标。高原鼠兔毛色呈保护色，与背景颜色相似。为了区分鼠兔与背景的细微差异性，本文中阈值 T 取较小值。 2 基于LTDC 纹理颜色模 型的高原鼠兔突变运动跟踪 2.1 贝叶斯滤波及目标表示 高原鼠兔的跟踪就是按式（ 3）的贝叶斯滤波递归地更新鼠兔目标状态后验概率密度1:()ttpX Y 的过程。 1; 1 1 1: 1 1()()( )( )tt tt tt t t tpX Y pY X pX

15、X pX Y dX（ 3） 式中 p(Yt/Xt)为鼠兔的观测模型； p(Yt/Xt-1)为鼠兔的状态转移模型。 贝叶斯滤波进行鼠兔状态估计通过基于蒙特卡罗采样的方法，采样 N 个粒子来逼近鼠兔状态真实的后验概率分布。 在 N 个粒子中以最大的后验概率 MAP 作为鼠兔状态的最佳估计值。 1:arg max ( ), 1, 2,itMAP itttXX pX Y i N=_ （ 4） 本文中鼠兔的表观模型采用 LTDC 纹理颜色模型，而不是单纯的 HSV 颜色直方图，以增强目标与背景颜色相近情况下目标与背景的区分能力。似然函数定义为（ 5）式 (,()(/ )rtDHS HSXttpY X e

16、= （ 5） 式中 HSr是参考目标模型， HS(Xt)是 t 时刻的候选目标模型， 是预先定义的参数， D()是参考目标模型和候选目标模型直方图之间的 Bhattacharyya 距离。 鼠兔状态转移模型采用二阶自回归模型模拟状态的转移，定义如（ 6）式 122tttXXX= + （ 6） 式中 为零均值高斯噪声。 农业工程学报（ http:/www.tcsae.org） 2016 年 216 2.2 运动信息引导的鼠兔突变运动跟踪 假设 t 时刻鼠兔的状态为 Xt=(Xtp,Xts)，包含位置信息Xtp和尺度信息 Xts，其中 Xtp=(Xtx,Xty)表示鼠兔位置信息的x， y 坐标。本

17、文仅考虑鼠兔运动引起的位置突变，所以按文献 10的 WLMC 采样跟踪方法对鼠兔的位置和尺度分别进行提议， 尺度变化采用二阶自回归模型来模拟。跟踪过程采用文献 14的方法，首先提取鼠兔相邻帧的运动信息，利用运动信息来判断鼠兔的运动模式，不同的运动模式采取不同的采样跟踪策略。 当运动模式判定为平滑运动时， 采用马尔可夫链蒙特卡罗采样跟踪方法；当运动模式判定为突变运动时，采用 WLMC 采样跟踪方法。 3 试验结果及讨论 本文参数设置如下， T为 2， N为 600， 为 20。 AWLMC中提议方差 x， y， s，分别为 250， 250 和 1.414， d 为103， f 为 2.7。 3

18、.1 跟踪性能定性分析 本文采用的测试视频序列为使用固定数码摄像机，拍摄于青藏高原东南部甘南草原秋冬季节的高原鼠兔活动视频。视频大小为 320 像素 240 像素，帧率 25 帧 /s，共 242 帧。视频的特点是目标与背景颜色极为相近，肉眼区分都有一定的困难，并且鼠兔的运动非常随机，在234 242 帧发生了运动突变。 图 1、图 2 和图 3 分别是本文方法、文献 14的方法以及文献 10的方法对该视频的跟踪试验结果，随机选取了视频的 22、 58、 146、 164 以及 238 帧。由于高原鼠兔与背景颜色相近， 文献 14和 10的方法均采用 HSV 颜色直方图作为目标的表示，在跟踪过

19、程很容易跟踪到与目标相似的背景上，如图 2 的 164 帧，图 3 的 146、 164 帧。同时文献 10的方法从 14 帧开始目标完全丢失， 文献 14的方法从 39 帧开始目标完全丢失，而本文的方法跟踪性能比较稳定，一直能够定位到目标。在 234 帧目标发生突变时，由于目标表示的稳健性和不同的采样跟踪策略采用，也能有效捕捉到目标，如图 1 所示的 238 帧。 注：图中方框为目标跟踪框，下同。 Note: Box indicates target tracking, the same below. 图 1 本文方法跟踪试验结果 Fig.1 Tracking results used LT

20、DC method 图 2 文献 14方法的跟踪试验结果 Fig.2 Tracking results used literature14 method 图 3 文献 10方法的跟踪试验结果 Fig.3 Tracking results used literature10 method 3.2 跟踪性能定量分析 表 1 是 3 种方法的跟踪成功率以及误差均值和方差。跟踪成功率就是成功跟踪的帧数与总帧数的比值28-29，本文方法的成功率达到 97.93%， 而文献 14和文献 10方法的成功率分别仅有 31.82%和 24.79%，分别是本文方法成功率的 32.49%和 25.31%。图 4 是

21、 3 种方法的中心点误差曲线，中心点的误差用估计的目标矩形框中心点和真值矩形框中心点之间的欧氏距离来度量。 可以看出文献 14和文献 10方法存在较大的跟踪误差，同时误差波动范围较大，而本文方法误差较小，第 11 期 陈海燕等：基于纹理颜色模型的高原鼠兔突变运动跟踪 217 误差波动范围也较小，跟踪稳定性较高。本文方法的误差均值分别是文献 14和文献 10方法的 62.79%和67.24%，误差方差分别是文献 14和文献 10方法的19.74%和 19.66%。 表 1 3 种方法的跟踪性能 Table 1 Tracking performance of three kinds of algo

22、rithms 方法 Methods 成功率 Success ratio/% 误差均值 Error mean 误差方差 Error variance 本文方法 LTDC method 97.93 19.56 72.24文献 14方法 Motion-induction method 31.82 31.15 376.09 文献 10方法 WLMC method 24.79 29.09 377.51 图 4 3 种方法的中心点误差曲线 Fig.4 Error curve used three kinds of methods 4 结 论 1）针对高原鼠兔跟踪中鼠兔毛色与背景相近的问题，构造了一种视觉描

23、述子（ LTDC），弥补了文献 27仅采用单一描述子的缺陷。并且该算子具有一定的抗噪性能和稳定的旋转不变性，运算复杂度低，舍弃了纹理的结构信息，保留了灰度差异信息，具有较高的目标和背景区分能力。 2）针对鼠兔运动随机性的问题，利用运动信息引导采样，不同的运动模式采用不同的采样跟踪策略，提高了采样效率，保证了鼠兔突变运动的跟踪性能。 3）构造纹理颜色目标表示模型，并把该模型引入到文献 14的运动信息引导的高原鼠兔跟踪方法中。使目标与背景颜色相近以及运动复杂时，能够较为准确、稳定地跟踪目标，成功率达到 97.93%，提高了鼠兔跟踪的整体性能。 参 考 文 献 1 Ali A, Jalil A, N

24、iu J W， et al. Visual object tracking-classical and contemporary approachesJ. Frontiers of Computer Science, 2015, 44(9): 1 22. 2 庞晓攀，贾婷婷，李倩倩，等 .高原鼠兔有效洞穴密度对高山嵩草群落及其主要种群空间分布特征的影响 J. 生态学报， 2015， 35(3)： 874 875. Pang Xiaopan, Jia Tingting, Li Qianqian, et al. Effect of available burrow densities of pla

25、teau pika (Ochotona curzoniae) on characteristics and distribution pattern of Kobresia pygmaea communityJ. Acta Ecologica Sinica, 2015, 35(3): 873 884. (in Chinese with English abstract) 3 梁光明，孙即祥，李仲陶，等 . 基于区域主色特征的目标匹配算法 J. 光电工程， 2008， 35(1)： 22 25. Liang Guangming, Sun Jixiang, Li Zhongtao, et al.

26、Target matching algorithm based on region main color featureJ. Opto-Electronic Engineering, 2008, 35(1): 22 25. (in Chinese with English abstract) 4 Fukunaga K, Hostetler L D. The estimation of the gradient of a density function, with applications in pattern recognitionJ. IEEE Transactions on Inform

27、ation Theory, 1975, 21(1): 32 40. 5 Comaniciu D, Ramesh V, Meer P. Kernel-based object trackingJ. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2003, 25(5): 564 557. 6 Li Peihua. An improved mean shift algorithm for object trackingJ. Acta Automatica Sinica, 2007, 33(4): 347 354. 7 L

28、i Peihua. A novel color based particle filter algorithm for object trackingJ. Chinese Journal of Computers, 2009, 32(12): 2454 2463. 8 王法胜，李续成，肖智博，等 . 基于 Hamiltonian 马氏链蒙特卡罗方法的突变运动跟踪 J. 软件学报， 2014， 25(7)：1593 1605. Wang Fahheng, Li Xuhheng, Xiao Zhibo. Hamiltonian markov chain monte carlo method for

29、 abrupt motion trackingJ. Journal of Software, 2014, 25(7): 1593 1605. (in Chinese with English abstract) 9 Roberts G O, Rosenthal J S. Examples of adaptive MCMCJ. Journal of Computational and Graphical Statistics, 2009, 18(2): 349 367. 10 Kwon J, Lee K M. Tracking of abrupt motion using Wang-Landau

30、 Monte Carlo estimationC/In: Proceeding of the10th European Conference on Computer Vision. Marseille, France: Springer Verlag, 2008: 387 400. 11 Kwon J, Lee K. Wang-Landau Monte Carlo-based tracking methods for abrupt motionsJ. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35

31、(4): 10111024. 12 Zhou Xiuzhuang, Lu Yao. Abrupt motion tracking via adaptive stochastic approximation Monte Carlo samplingC/ In Proceeding of IEEE Conference on Computer Vision and Pattern Recognition. San Francisco, CA, USA: IEEE, 2010: 1847 1854. 13 江晓莲，李翠华，李雄宗 . 基于视觉显著性的两阶段采样突变目标跟踪算法 J. 自动化学报， 2

32、014， 40(6)： 10981107. Jiang Xiaolian, Li Cuihua, Li Xiongzong. Saliency based tracking method for abrupt motion via two-stage samplingJ. Acta automatica sinica, 2014, 40(6): 1098 1107. (in Chinese with English abstract) 14 陈海燕，张爱华，胡世亚 . 基于运动信息引导的高原鼠兔突变运动跟踪 J. 农业机械学报， 2015， 46(9)： 34 38. Chen Haiyan,

33、 Zhang Aihua, Hu Shiya. The object tracking of ochotona curzoniae based on the guidance of motion informationJ. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 34 38. (in Chinese with English abstract) 15 Ning Jifeng, Zhang Lei, Zhang David, et al. Robust object tracking

34、 using joint color-texture histogramJ. International Journal of Pattern Recognition and Artificial Intelligence, 2009, 23(7): 1245 1263. 16 徐少平，李春泉，胡凌燕，等 . 一种改进的颜色共生矩阵纹理描述符 J. 模式识别与人工智能， 2013， 26(1)： 90 98. Xu Shaoping, Li Chunquan, Hu Lingyan, et al. An improved color cooccurrence matrix texture de

35、scriptorJ. Pattern Recognition and Artificial Intelligence, 2013, 26(1): 90 98. (in Chinese with English abstract) 17 宋克臣，颜云辉，陈文辉 . 局部二值模式方法研究与展望 J. 自动化学报， 2013， 39(6)： 730 744. Song Kechen, Yan Yunhui, Chen Wenhui. Research and perspective on local binary patternJ. Acta Automation Sinica, 2013, 39(

36、6): 730 744. (in Chinese with English abstract) 18 袁国武 . 智能视频监控中的运动目标检测和跟踪算法研究 D. 昆明：云南大学， 2012. Yuan Guowu. Research on Moving Objects Detection and Tracking Methods in Intelligent Visual Surveillance SystemD. Kunming: Yunnan University, 2012. (in Chinese with English abstract) 19 白昀 . 基于二级 LTP 纹理颜

37、色直方图的动物实时跟踪 J.西北农业学报， 2012， 21(8)： 195 200. 农业工程学报（ http:/www.tcsae.org） 2016 年 218 Bai Yun. Animal real-time tracking algorithm based on joint second-level LTP texture and color histogramJ. Acta Agriculturae Boreali-occidentalis Sinic, 2012, 21(8): 195200. (in Chinese with English abstract) 20 Tava

38、koli H R, Moin M S, Heikkila J. Local similarity number and its application to object trackingJ. International Journal of Advance Robotic Systems, 2013, 10(1): 184 190. 21 Ojala T, Pietikainen M, Maenpaa T. Multi-resolution gray-scale and rotation invariant texture classification with local binary p

39、atternsJ. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971 987. 22 Yang Zhao, De Shuang, Wei Jia. Completed local binary count for rotation invariant texture classificationJ. IEEE Transaction on Image Processing, 2012, 21(10): 4492 4497. 23 Heikkil M, Pietikinen M, Sc

40、hmid C. Description of interest regions with center-symmetric local binary patternsJ. In Proc. Computer. Vision, Graph. Image Process, 2006, 43(38): 58 69. 24 Liao S, Law M W, Chung A C. Dominant local binary patterns for texture classificationJ. IEEE Trans. Image Process., 2009, 18(5): 1107 1118. 2

41、5 Guo Zhenhua, Zhang Lei, Zhang David. A completed modeling of local binary pattern operator for texture classificationJ. IEEE Trans. Image Process., 2010, 19(6): 1657 1663. 26 Tan Xiaoyang, Triggs Bill. Enhanced local texture feature sets for face recognition under difficult lighting conditionsJ. I

42、EEE Trans. Image Process, 2010, 19(6): 1635 1650. 27 陈海燕，张爱华，胡世亚 . 基于局部纹理差异性算子的高原鼠兔目标跟踪 J. 农业机械学报， 2015， 46(5)： 20 25. Chen Haiyan, Zhang Aihua, Hu Shiya. The object tracking of ochotona curzoniae based on the local texture difference operatorJ. Transactions of the Chinese Society for Agricultural M

43、achinery, 2015, 46(5): 20 25. (in Chinese with English abstract) 28 Su Yingya, Zhao Qingjie, Zhao Liujun. Abrupt motion tracking using a visual saliency embedded particle filterJ. Pattern Recognition, 2014, 7: 1826 1834. 29 Li Xucheng, Wang Fasheng, Lu Mingyu. Performance evaluation of abrupt motion

44、 trackersC/IEEE International Conference on Security, Pattern Analysis, and Cybernetics, Wuhan Hubei, 2014. Abrupt motion tracking of plateau pika (Ochotona curzoniae) based on local texture and color model Chen Haiyan1,2, Zhang Aihua1, Hu Shiya1(1. College of Electronic and Information Engineering,

45、 Lanzhou University and Technology, Lanzhou 730050, China; 2. School of computer and communication, Lanzhou University of Technology, Lanzhou 730050, China) Abstract: Plateau pika (Ochotona curzoniae) is one of the main biological disasters in the Qinghai-Tibet plateau and adjacent areas in China. V

46、ideo-based animal behavior analysis is a critical and fascinating problem for both biologists and computer vision scientists. According to the color similarity between Plateau pika and the background, as well as the uncertainty and randomness of plateau pika motion in natural habitat environment, a

47、new visual descriptor named the local texture difference operator LTDC was proposed to reflect the subtle differences between the plateau pika and the background. The LTDC operator, being more robust to target expression, made up for the deficiency of using single LTC. The LTDC operator discarded the structure information of local texture and retained the difference information of local texture, with low compute complexity. Aimed at t