本文關(guān)鍵詞： 機器視覺 目標跟蹤 卷積神經(jīng)網(wǎng)絡(luò) 一致性預(yù)測器 時空域能量函數(shù)　出處：《光學學報》2017年08期 　論文類型：期刊論文

【摘要】：針對視頻序列的穩(wěn)健性目標跟蹤問題,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)與一致性預(yù)測器(CP)的視覺跟蹤算法。該算法通過構(gòu)建一個雙路輸入CNN模型,同步提取幀采樣區(qū)域和目標模板的高層特征,利用邏輯回歸方法區(qū)分目標與背景區(qū)域;將CNN嵌入至CP框架,利用算法隨機性檢驗評估分類結(jié)果的可靠性,在指定風險水平下,以域的形式輸出分類結(jié)果;選擇高可信度區(qū)域作為候選目標區(qū)域,優(yōu)化時空域全局能量函數(shù)獲得目標軌跡。實驗結(jié)果表明,該算法能夠適應(yīng)目標遮擋、外觀變化以及背景干擾等復(fù)雜情況,與當前多種跟蹤算法相比具有更強的穩(wěn)健性和準確性。
[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】： 西南科技大學計算機科學與技術(shù)學院;四川大學計算機學院;
【基金】：國家自然科學基金(91338107,91438119,91438120) 教育部博士點基金(20130181110095)
【分類號】：TP183;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 劉蓓;徐燕凌;;用于圖像預(yù)測編碼的預(yù)測器的設(shè)計及應(yīng)用[J];電腦知識與技術(shù);2006年23期

2 郝利云;吳玲達;;基于卡爾曼預(yù)測器的數(shù)據(jù)預(yù)取方法[J];計算機仿真;2012年10期

3 劉長明;線性預(yù)測器和量化器計算機摸擬結(jié)果分析[J];山東科學;1994年02期

4 史淼晶;徐蕊鑫;許超;;用于視覺詞語生成的概率預(yù)測器[J];中國圖象圖形學報;2013年06期

5 沈曉晶,潘俊民;基于自適應(yīng)Kalman預(yù)測器的運動估計算法[J];計算機仿真;2004年10期

6 楊欣;費樹岷;周大可;唐庭閣;;基于分類預(yù)測器及退化模型的圖像超分辨率快速重建[J];東南大學學報(自然科學版);2013年01期

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

8 張文愛;趙建剛;程永強;;CFA圖像無損壓縮神經(jīng)網(wǎng)絡(luò)預(yù)測器的設(shè)計[J];計算機工程與應(yīng)用;2009年05期

9 黨向盈;鮑蓉;姜代紅;;GPU并行實現(xiàn)的基于多方向線狀梯度調(diào)節(jié)預(yù)測器邊緣檢測算法[J];計算機應(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)測器的改進的CAMShift目標跟蹤[J];中國慣性技術(shù)學報;2014年04期

相關(guān)碩士學位論文 前1條

1 程哠;多任務(wù)學習技術(shù)在混合推薦中的應(yīng)用研究與實現(xiàn)[D];浙江大學;2012年

，

本文編號：1552212