針對核相關(guān)濾波算法（Kernel Correlation Filter,KCF）對快速運動目標(biāo)跟蹤精度較低、實時性較差的問題,提出多策略融合的快速核相關(guān)濾波（Multistrategy KCF,MSKCF）算法。該算法基于KCF框架,融合多個策略,將Faster Regin-CNN網(wǎng)絡(luò)結(jié)構(gòu)、特征極差、濾波尺度因子引入目標(biāo)圖像識別窗口標(biāo)定和尺寸自適應(yīng)更新,解決了識別窗口與目標(biāo)大小不適應(yīng)的問題,實現(xiàn)了自動跟蹤。本文采用北斗導(dǎo)航衛(wèi)星模型進行了驗證,結(jié)果表明MSKCF可以自主獲得初始跟蹤窗口,目標(biāo)跟蹤精度與速度均有所提升。 

【文章來源】：航天控制. 2020,38(03)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

初始跟蹤窗口提取判定

KCF是一種以嶺回歸為核心，在線進行機器學(xué)習(xí)訓(xùn)練的典型判別類算法[17]。算法原理如圖1所示，通過在第t幀(通常選第1幀)中框選出待跟蹤目標(biāo)，并初始化目標(biāo)區(qū)域為正樣本，根據(jù)左乘、右乘置換矩陣得到負樣本區(qū)域集合;利用高斯二維函數(shù)生成和樣本大小一致的訓(xùn)練標(biāo)簽矩陣，通過機器學(xué)習(xí)訓(xùn)練嶺回歸分類器;輸入待檢測樣本圖像，分類器快速檢測輸出響應(yīng)，下一幀中的目標(biāo)即為分類器輸出的最大響應(yīng)對應(yīng)位置的區(qū)域[18]。將目標(biāo)區(qū)域循環(huán)移位采集訓(xùn)練圖像，針對回歸判別函數(shù)f(z)=wTz，通過訓(xùn)練樣本xi找到與其對應(yīng)的回歸目標(biāo)yi最小的平方誤差的權(quán)值ωi，最小代價函數(shù)如式(1):

多策略融合核相關(guān)濾波算法

【參考文獻】：
期刊論文
[1]改進的KCF算法在車輛跟蹤中的應(yīng)用[J]. 王林,胥中南.  計算機測量與控制. 2019(07)
[2]一種結(jié)合均值漂移的KCF目標(biāo)跟蹤算法[J]. 王媛媛,王博.  現(xiàn)代測繪. 2019(03)
[3]基于自適應(yīng)深度網(wǎng)絡(luò)的無人機目標(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)
[4]基于核相關(guān)濾波的長期目標(biāo)跟蹤算法[J]. 茅正沖,陳海東.  激光與光電子學(xué)進展. 2019(01)
[5]尺度自適應(yīng)的HLBP紋理特征目標(biāo)跟蹤算法[J]. 杜靜雯,黃山.  計算機工程與設(shè)計. 2018(07)
[6]自主導(dǎo)航農(nóng)業(yè)機器人全方位視覺目標(biāo)識別與跟蹤研究[J]. 譚雪峰.  農(nóng)機化研究. 2017(12)
[7]相關(guān)濾波目標(biāo)跟蹤進展綜述[J]. 張微,康寶生.  中國圖象圖形學(xué)報. 2017(08)
[8]分塊多特征目標(biāo)描述子的移動機器人目標(biāo)跟蹤[J]. 王麗佳,賈松敏,李秀智,盧迎彬.  控制與決策. 2016(02)
[9]智能視頻監(jiān)控系統(tǒng)中的目標(biāo)跟蹤方法研究[J]. 吳淘鎖,汪國強.  實驗技術(shù)與管理. 2014(11)
[10]面向機動目標(biāo)跟蹤的無人機橫側(cè)向制導(dǎo)規(guī)律[J]. 王樹磊,魏瑞軒,郭慶,蔚文杰.  北京航空航天大學(xué)學(xué)報. 2014(06)



本文編號：3551667