相關濾波算法因無法充分利用深度特征和淺層特征的互補特性而限制跟蹤性能.針對該問題,文中提出多空間分辨率自適應特征融合的相關濾波目標跟蹤算法.首先,使用更深的ResNet-50網絡提取深度特征,提高特征表示在跟蹤過程中的魯棒性和鑒別性.再針對不同特征具有不同空間分辨率的特點,從視頻幀中分割不同尺度的圖像塊作為搜索區(qū)域,更好地平衡邊界效應和樣本數目.最后,引入自適應特征融合方法,以自適應的權重融合兩類特征的響應圖,充分利用其互補特性.在多個標準數據集上的實驗證實文中算法的有效性和魯棒性. 

【文章來源】：模式識別與人工智能. 2020,33(01)北大核心CSCD

【文章頁數】：9 頁

【部分圖文】：

本文算法框圖

為了驗證本文算法各個組分的有效性,給出自對比的驗證實驗.圖2為在OTB-100數據庫上的實驗結果,其中HC表示僅使用淺層特征,Res表示使用ResNet-50提取深度特征,Fusion表示引入自適應融合方法,SA表示使用不同尺度搜索區(qū)域,結合全部組分即為本文算法.由圖可知,算法在僅使用淺層特征的條件下取得63%的跟蹤成功率,主要是因為STRCF提出的時空正則化使濾波器更具鑒別、泛化性能.引入ResNet-50提取目標深度特征帶來3.7%的性能提升,這是因為深度特征包含的深層次語義信息提高特征的表示能力,提高算法性能.在使用自適應融合策略后,算法性能提升2.1%,是由于自適應融合策略更好地利用淺層特征和深度特征的互補性.最后,基于深度特征和淺層特征具有不同空間分辨率的事實,采用區(qū)分搜索區(qū)域尺度的方式,以更好的平衡應對特征的邊界效應問題和訓練樣本數,實驗結果具有較理想的提升.上述實驗結果表明,本文算法的各個組分對于性能提升都有較大貢獻,同時也說明本文算法的有效性和優(yōu)越性.另外,本文深入研究本文算法中不同尺度的搜索區(qū)域和自適應特征融合部分.圖3為在OTB-100數據集上使用不同尺度搜索區(qū)域組的實驗結果.由圖可知,采用較淺層特征對應更大且適當的搜索區(qū)域以提取深度特征,可以帶來算法性能的提升.

另外,本文深入研究本文算法中不同尺度的搜索區(qū)域和自適應特征融合部分.圖3為在OTB-100數據集上使用不同尺度搜索區(qū)域組的實驗結果.由圖可知,采用較淺層特征對應更大且適當的搜索區(qū)域以提取深度特征,可以帶來算法性能的提升.圖4為Skating 2-1視頻序列中不同場景下自適應特征融合的實驗結果.(a)中場景未發(fā)生外觀變化,淺層特征的權重較大.(b)中目標被嚴重遮擋且變形嚴重,深度特征權重更高.(c)中目標雖然存在輕微的遮擋和變形,但整體上清晰,淺層特征權重高于深度特征.由圖可知,自適應特征融合策略的引入能夠更充分地利用深度特征和淺層特征的互補特性,提高算法性能.

【參考文獻】：
期刊論文
[1]基于子空間和直方圖的多記憶自適應相關濾波目標跟蹤算法[J]. 馮棐,吳小俊,徐天陽.  模式識別與人工智能. 2018(07)
[2]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[3]相關濾波目標跟蹤進展綜述[J]. 張微,康寶生.  中國圖象圖形學報. 2017(08)
[4]基于相關濾波的視頻目標跟蹤算法綜述[J]. 吳小俊,徐天陽,須文波.  指揮信息系統(tǒng)與技術. 2017(03)
[5]基于改進的確定性目標關聯(lián)的車輛跟蹤方法[J]. 周俊靜,段建民,楊光祖.  模式識別與人工智能. 2014(01)



本文編號：3619454