本文關(guān)鍵詞： 機(jī)器視覺(jué) 目標(biāo)跟蹤 卷積神經(jīng)網(wǎng)絡(luò) 一致性預(yù)測(cè)器 時(shí)空域能量函數(shù)　出處：《光學(xué)學(xué)報(bào)》2017年08期 　論文類型：期刊論文

【摘要】：針對(duì)視頻序列的穩(wěn)健性目標(biāo)跟蹤問(wèn)題,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)與一致性預(yù)測(cè)器(CP)的視覺(jué)跟蹤算法。該算法通過(guò)構(gòu)建一個(gè)雙路輸入CNN模型,同步提取幀采樣區(qū)域和目標(biāo)模板的高層特征,利用邏輯回歸方法區(qū)分目標(biāo)與背景區(qū)域;將CNN嵌入至CP框架,利用算法隨機(jī)性檢驗(yàn)評(píng)估分類結(jié)果的可靠性,在指定風(fēng)險(xiǎn)水平下,以域的形式輸出分類結(jié)果;選擇高可信度區(qū)域作為候選目標(biāo)區(qū)域,優(yōu)化時(shí)空域全局能量函數(shù)獲得目標(biāo)軌跡。實(shí)驗(yàn)結(jié)果表明,該算法能夠適應(yīng)目標(biāo)遮擋、外觀變化以及背景干擾等復(fù)雜情況,與當(dāng)前多種跟蹤算法相比具有更強(qiáng)的穩(wěn)健性和準(zhǔn)確性。
[Abstract]:Aiming at the problem of robust target tracking in video sequences, a visual tracking algorithm based on convolution neural network (CNN) and consistency predictor (CPN) is proposed, which constructs a dual input CNN model. The high-level features of frame sampling region and target template are extracted synchronously, the object and background regions are distinguished by logical regression method, the CNN is embedded into the CP framework, and the reliability of the classification results is evaluated by randomness test of the algorithm, and the reliability of the classification results is evaluated under the specified risk level. The classification results are outputted in the form of domain, the high credibility region is selected as candidate target region, and the global energy function in time and space domain is optimized to obtain the trajectory of the target. The experimental results show that the algorithm can adapt to the occlusion of the target. The appearance change and background interference are more robust and accurate than other tracking algorithms.
【作者單位】： 西南科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;四川大學(xué)計(jì)算機(jī)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(91338107,91438119,91438120) 教育部博士點(diǎn)基金(20130181110095)
【分類號(hào)】：TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉蓓;徐燕凌;;用于圖像預(yù)測(cè)編碼的預(yù)測(cè)器的設(shè)計(jì)及應(yīng)用[J];電腦知識(shí)與技術(shù);2006年23期

2 郝利云;吳玲達(dá);;基于卡爾曼預(yù)測(cè)器的數(shù)據(jù)預(yù)取方法[J];計(jì)算機(jī)仿真;2012年10期

3 劉長(zhǎng)明;線性預(yù)測(cè)器和量化器計(jì)算機(jī)摸擬結(jié)果分析[J];山東科學(xué);1994年02期

4 史淼晶;徐蕊鑫;許超;;用于視覺(jué)詞語(yǔ)生成的概率預(yù)測(cè)器[J];中國(guó)圖象圖形學(xué)報(bào);2013年06期

5 沈曉晶,潘俊民;基于自適應(yīng)Kalman預(yù)測(cè)器的運(yùn)動(dòng)估計(jì)算法[J];計(jì)算機(jī)仿真;2004年10期

6 楊欣;費(fèi)樹(shù)岷;周大可;唐庭閣;;基于分類預(yù)測(cè)器及退化模型的圖像超分辨率快速重建[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

7 桑紅石,沈緒榜,陳朝陽(yáng),傅勇;一種用于小目標(biāo)檢測(cè)的可配置二維自適應(yīng)預(yù)測(cè)器設(shè)計(jì)[J];小型微型計(jì)算機(jī)系統(tǒng);2004年08期

8 張文愛(ài);趙建剛;程永強(qiáng);;CFA圖像無(wú)損壓縮神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器的設(shè)計(jì)[J];計(jì)算機(jī)工程與應(yīng)用;2009年05期

9 黨向盈;鮑蓉;姜代紅;;GPU并行實(shí)現(xiàn)的基于多方向線狀梯度調(diào)節(jié)預(yù)測(cè)器邊緣檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用;2013年07期

10 閆鈞華;陳少華;艾淑芳;李大雷;段賀;;基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤[J];中國(guó)慣性技術(shù)學(xué)報(bào);2014年04期

相關(guān)碩士學(xué)位論文 前1條

1 程哠;多任務(wù)學(xué)習(xí)技術(shù)在混合推薦中的應(yīng)用研究與實(shí)現(xiàn)[D];浙江大學(xué);2012年

，

本文編號(hào)：1552212