針對在目標(biāo)遮擋、光線變化、目標(biāo)模糊等情況下的目標(biāo)跟蹤算法抗干擾能力較差的問題,提出了一種基于深度降噪自動編碼器的多特征目標(biāo)融合跟蹤算法。該方法首先引入穩(wěn)像和圖像去霧算法以改善訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)的質(zhì)量;再構(gòu)建多特征深度降噪自動編碼網(wǎng)絡(luò),基于深度神經(jīng)網(wǎng)絡(luò)的強大學(xué)習(xí)能力提取目標(biāo)的顏色特征和均勻模式紋理特征;將兩種特征加權(quán)融合輸入到邏輯回歸分類器,獲得置信分數(shù),更有效地區(qū)分目標(biāo)和背景。最后,采用粒子濾波算法對目標(biāo)進行跟蹤。實驗結(jié)果表明,該方法能夠更準確地對存在目標(biāo)遮擋、光線變化、目標(biāo)模糊等干擾問題的視頻進行跟蹤。與傳統(tǒng)方法相比,該方法成功率在上述三個方面平均分別提升33.73%、9.73%和12.80%;與近年流行算法相比,該方法成功率平均達到90.16%,實時性平均達到49.37 fps。 

【文章來源】：光電子·激光. 2020,31(02)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

降噪自編碼器原理示意圖

該模型分為預(yù)訓(xùn)練階段和微調(diào)階段兩個階段。在預(yù)訓(xùn)練階段,其目的實際上就是通過迭代優(yōu)化調(diào)整訓(xùn)練樣本集中參數(shù){θ,θT}(θ={W,b},θT={WT,bT})得到最小重建誤差Jsparse。通過式(2)即可求得。在微調(diào)階段,丟棄重建層,將最后一個降噪自編碼器的隱含層作為Logistic分類器的輸入,通過梯度下降法求解并更新式(3)參數(shù)θ,最終獲得對測試樣本的分類。3 深度降噪自編碼器的多特征目標(biāo)跟蹤算法

基于深度降噪自編碼器的多特征目標(biāo)跟蹤算法流程如圖3 所示。本算法主要針對提升采集數(shù)據(jù)質(zhì)量和粒子特征提取進行改進(見圖3 中流程I、流程II),視頻流預(yù)處理時,利用圖像去霧算法和穩(wěn)像算法提升數(shù)據(jù)質(zhì)量,凸顯有價值的信息;粒子特征提取流程中,提取目標(biāo)顏色(HSV)和紋理(UniformLBP)兩種特征并加權(quán)融合,提升了目標(biāo)可區(qū)分度。流程III 采用SDDAE-Logistic 網(wǎng)絡(luò)模型,采用離線訓(xùn)練的方式選擇有效粒子,以解決目標(biāo)遮擋、光線變化、目標(biāo)模糊情況下跟蹤穩(wěn)定性差的問題,提升算法魯棒性,提升算法運行速度。3.1 數(shù)據(jù)預(yù)處理

【參考文獻】：
期刊論文
[1]基于相關(guān)濾波器的視頻跟蹤方法研究進展[J]. 劉巧元,王玉茹,張金玲,殷明浩.  自動化學(xué)報. 2019(02)
[2]目標(biāo)識別算法綜述[J]. 尉震行.  中國設(shè)備工程. 2019(01)
[3]電子穩(wěn)像算法的速度與精度改進[J]. 董常青,程雪岷,郝群.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2018(08)



本文編號：3543603