為了進(jìn)一步提高復(fù)雜場景下的目標(biāo)跟蹤精度與魯棒性,本文提出了基于深度特征與抗遮擋策略的運動目標(biāo)跟蹤算法,首先利用深層卷積神經(jīng)網(wǎng)絡(luò)提取出目標(biāo)的深度卷積特征以代替?zhèn)鹘y(tǒng)的手工特征,然后將深度卷積特征融入傳統(tǒng)的核相關(guān)濾波跟蹤框架,充分利用深度特征描述能力強和相關(guān)濾波算法跟蹤效率高的優(yōu)勢,同時采用高置信度抗遮擋更新策略來更新濾波器,利用融合特征訓(xùn)練尺度相關(guān)濾波器,以便更加精準(zhǔn)預(yù)測目標(biāo)的位置,提高算法抗遮擋能力.論文對數(shù)據(jù)集OTB-100視頻序列中有遮擋問題的序列進(jìn)行了測試,并與Deep STRCF、DSST、SRDCF、COT和ECO等算法進(jìn)行比較,實驗結(jié)果表明,本文所提算法在目標(biāo)尺度變化、背景干擾和遮擋等復(fù)雜背景下具有更高的跟蹤精度與成功率,跟蹤效果最佳. 

【文章來源】：西北師范大學(xué)學(xué)報(自然科學(xué)版). 2020,56(04)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

在遮擋狀態(tài)下跟蹤對比圖

圖1 在遮擋狀態(tài)下跟蹤對比圖其中,Ad為濾波器的分子;Bd為濾波器的分母;t為幀索引.通過設(shè)置APCE的值選擇更新濾波器,不僅可以降低背景信息的干擾,還能減少模型更新錯誤,在一定程度上提高了跟蹤精度.

目標(biāo)跟蹤算法流程如圖3所示.首先輸入視頻序列首幀目標(biāo)的位置信息和尺度信息,由空間插值對視頻序列進(jìn)行卷積特征提取,然后根據(jù)得到的特征訓(xùn)練位置濾波器進(jìn)而得到位置濾波模板,再根據(jù)目標(biāo)位置提取傳統(tǒng)特征訓(xùn)練尺度濾波器來得到尺度濾波模板;接著根據(jù)視頻序列前一幀的目標(biāo)位置和尺度,提取位置樣本和尺度樣本以便獲得預(yù)測位置和估計尺度;最后根據(jù)位置濾波器和尺度濾波器輸出得到的響應(yīng)圖,結(jié)合APCE值選擇是否更新位置濾波器模板和尺度濾波器模板,最終輸出視頻序列每幀的目標(biāo)位置和尺度信息.3 實驗與結(jié)果分析

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積網(wǎng)絡(luò)的目標(biāo)跟蹤應(yīng)用研究[J]. 趙春梅,陳忠碧,張建林.  光電工程. 2020(01)
[2]基于核濾波器實時運動目標(biāo)的抗遮擋再跟蹤[J]. 湯學(xué)猛,陳志國,傅毅.  光電工程. 2020(01)
[3]基于融合特征的多尺度快速相關(guān)濾波跟蹤算法[J]. 火元蓮,曹鵬飛,董俊松,石明.  計算機工程與科學(xué). 2019(03)
[4]基于顏色、空間和紋理信息的目標(biāo)跟蹤[J]. 侯志強,王利平,郭建新,褚鵬.  光電工程. 2018(05)
[5]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[6]特征融合的尺度自適應(yīng)相關(guān)濾波跟蹤算法[J]. 李聰,鹿存躍,趙珣,章寶民,王紅雨.  光學(xué)學(xué)報. 2018(05)



本文編號：3361589