無人機(jī)目標(biāo)跟蹤是計算機(jī)視覺一個熱門的研究方向。多特征融合后的響應(yīng)通常含有噪聲,為了解決這個問題,提出一種基于多特征融合的次峰響應(yīng)抑制的無人機(jī)目標(biāo)跟蹤算法。提取HOG特征和二維顏色屬性特征,并進(jìn)行融合產(chǎn)生響應(yīng)。對次峰響應(yīng)進(jìn)行抑制以去除噪聲,將多個次峰聚合為一個中心主峰。引入自適應(yīng)模型更新策略進(jìn)一步增強(qiáng)算法的魯棒性。在UAV123和VisDrone2019數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),結(jié)果顯示該算法在無人機(jī)的快速運(yùn)動、視角變化等挑戰(zhàn)場景中表現(xiàn)出較好的跟蹤精度和魯棒性。 

【文章來源】：計算機(jī)工程與應(yīng)用. 2020,56(14)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

SSMT跟蹤流程圖

VisDrone2019是朱鵬飛等人拍攝和標(biāo)注的數(shù)據(jù)集，包含263個視頻剪輯和10 209個圖像。定義10個感興趣的對象類別，注釋來自這些類別的250萬個對象實(shí)例的邊界框，包括對象邊界框、對象類別、遮擋、截斷率等。實(shí)驗(yàn)挑選其中較有挑戰(zhàn)性的35個視頻序列進(jìn)行測試。圖3 在UAV123上FM等屬性的精度和成功率

圖2 在UAV123數(shù)據(jù)集上的精度和成功率在VisDrone2019數(shù)據(jù)集上與ECO-HC[6]、ARCF[20]、AMCF[12]、BACF[21]、OMFL[9]、MCCT-H[22]和Staple[25]七個先進(jìn)跟蹤算法進(jìn)行對比。整體性能比較結(jié)果如圖4所示，跟蹤器SSMT在一次通過的精度和成功率都取得很好的結(jié)果，分別為81.9%、60.2%。

【參考文獻(xiàn)】：
期刊論文
[1]多特征重檢測的相關(guān)濾波無人機(jī)視覺跟蹤[J]. 董美寶,楊涵文,郭文,馬思源,鄭創(chuàng).  圖學(xué)學(xué)報. 2019(06)
[2]基于自適應(yīng)深度網(wǎng)絡(luò)的無人機(jī)目標(biāo)跟蹤算法[J]. 劉芳,王洪娟,黃光偉,路麗霞,王鑫.  航空學(xué)報. 2019(03)
[3]基于置信度的加權(quán)特征融合相關(guān)濾波跟蹤[J]. 成悅,李建增,李愛華,褚麗娜.  計算機(jī)工程與應(yīng)用. 2019(20)
[4]基于隨機(jī)森林的無人機(jī)檢測方法[J]. 劉陽,杜華軍,岳子涵,馬杰,呂武.  計算機(jī)工程與應(yīng)用. 2019(07)



本文編號：3208570