本文選題：視覺跟蹤 + 深度學(xué)習(xí)�。� 參考：《北京航空航天大學(xué)學(xué)報(bào)》2017年12期

【摘要】：視覺跟蹤中,高效魯棒的特征表達(dá)是復(fù)雜環(huán)境下影響跟蹤性能的重要因素。提出一種深度稀疏神經(jīng)網(wǎng)絡(luò)模型,在提取更加本質(zhì)抽象特征的同時(shí),避免了復(fù)雜費(fèi)時(shí)的模型預(yù)訓(xùn)練過程。對(duì)單一正樣本進(jìn)行數(shù)據(jù)擴(kuò)充,解決了在線跟蹤時(shí)正負(fù)樣本不平衡的問題,提高了模型穩(wěn)定性。利用密集采樣搜索算法,生成局部置信圖,克服了采樣粒子漂移現(xiàn)象。為進(jìn)一步提高模型的魯棒性,還分別提出了相應(yīng)的模型參數(shù)更新和搜索區(qū)域更新策略。大量實(shí)驗(yàn)結(jié)果表明:與當(dāng)前主流跟蹤算法相比,該算法對(duì)于復(fù)雜環(huán)境下的跟蹤問題具有良好的魯棒性,有效地抑制了跟蹤漂移,且具有較快的跟蹤速率。
[Abstract]:In visual tracking, efficient and robust feature representation is an important factor affecting tracking performance in complex environments. A deep sparse neural network model is proposed, which extracts more essential abstract features and avoids the complicated and time-consuming process of model pre-training. The data expansion of a single positive sample solves the imbalance of positive and negative samples in online tracking and improves the stability of the model. The local confidence chart is generated by means of dense sampling search algorithm, which overcomes the phenomenon of sampling particle drift. In order to further improve the robustness of the model, the corresponding updating strategies of model parameters and search region are proposed respectively. A large number of experimental results show that compared with the current mainstream tracking algorithm, the algorithm is robust to the tracking problem in complex environments, effectively restrains the tracking drift and has a faster tracking rate.
【作者單位】： 空軍工程大學(xué)信息與導(dǎo)航學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61473309,61703423) 陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃(2015JM6269,2016JM6050)~~
【分類號(hào)】：TP18;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄒海榮;龔振邦;羅均;;運(yùn)動(dòng)目標(biāo)視覺跟蹤系統(tǒng)的控制特性研究[J];上海電機(jī)學(xué)院學(xué)報(bào);2006年02期

2 史衛(wèi)民;王慶敏;劉秋紅;陳勇;姚永杰;;視覺跟蹤技術(shù)及其應(yīng)用的研究進(jìn)展[J];海軍醫(yī)學(xué)雜志;2014年01期

3 侯志強(qiáng);韓崇昭;;視覺跟蹤技術(shù)綜述[J];自動(dòng)化學(xué)報(bào);2006年04期

4 王哲;;視覺跟蹤 用眼睛使用的“鼠標(biāo)”[J];電腦愛好者;2007年07期

5 張進(jìn);;視覺跟蹤技術(shù)發(fā)展和難點(diǎn)問題的分析[J];信息技術(shù)與信息化;2008年06期

6 李谷全;陳忠澤;;視覺跟蹤技術(shù)研究現(xiàn)狀及其展望[J];計(jì)算機(jī)應(yīng)用研究;2010年08期

7 李偉;吳瑰麗;王猛;;視覺跟蹤算法的研究進(jìn)展[J];石家莊鐵路職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年03期

8 劉洋;李玉山;張大樸;邱家濤;;基于動(dòng)態(tài)目標(biāo)建模的粒子濾波視覺跟蹤算法[J];光子學(xué)報(bào);2008年02期

9 張國(guó)亮;謝宗武;蔣再男;王捷;劉宏;;模糊化多視覺信息融合的視覺跟蹤策略[J];西安交通大學(xué)學(xué)報(bào);2009年08期

10 楊戈;劉宏;;視覺跟蹤算法綜述[J];智能系統(tǒng)學(xué)報(bào);2010年02期

相關(guān)會(huì)議論文 前2條

1 呂玉生;趙杰煜;;具有視覺跟蹤的中英文語音動(dòng)畫系統(tǒng)[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

2 李善青;賈云得;柳陽(yáng);;一種用于穿戴計(jì)算的指示手勢(shì)視覺跟蹤方法[A];第三屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2007）論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 王法勝;復(fù)雜場(chǎng)景下的單目標(biāo)視覺跟蹤算法研究[D];大連海事大學(xué);2014年

2 張明杰;基于視覺的目標(biāo)跟蹤與行為識(shí)別方法研究[D];西北大學(xué);2015年

3 徐蕭蕭;基于特征學(xué)習(xí)與特征聯(lián)想的視覺跟蹤算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

4 王其聰;復(fù)雜觀測(cè)條件下的基于粒子濾波的視覺跟蹤[D];浙江大學(xué);2007年

5 夏瑜;視覺跟蹤新方法及其應(yīng)用研究[D];江南大學(xué);2013年

6 王芳林;穩(wěn)健視覺跟蹤算法中的關(guān)鍵問題研究[D];上海交通大學(xué);2009年

7 溫靜;基于張量子空間學(xué)習(xí)的視覺跟蹤方法研究[D];西安電子科技大學(xué);2010年

8 蘇潔;光照變化下的視覺跟蹤算法研究[D];哈爾濱工程大學(xué);2010年

9 王棟;基于線性表示模型的在線視覺跟蹤算法研究[D];大連理工大學(xué);2013年

10 代江華;粒子濾波架構(gòu)下視覺目標(biāo)跟蹤相關(guān)技術(shù)研究[D];華中科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 張瑞;基于貝葉斯估計(jì)的視覺跟蹤算法研究[D];福建師范大學(xué);2015年

2 祝寶龍;基于視覺跟蹤技術(shù)的眼控鼠標(biāo)研究[D];哈爾濱工業(yè)大學(xué);2015年

3 劉養(yǎng)彪;運(yùn)動(dòng)模糊下的視覺跟蹤算法研究[D];北京理工大學(xué);2015年

4 向秀娟;基于視覺跟蹤的移動(dòng)機(jī)器人定位研究[D];新疆大學(xué);2015年

5 張勁;基于在線隱變量支持向量機(jī)的尺度自適應(yīng)視覺跟蹤[D];西安電子科技大學(xué);2014年

6 張欣;基于粒子濾波的視覺跟蹤算法的FPGA實(shí)現(xiàn)[D];北京理工大學(xué);2016年

7 黃梁華;基于張量表達(dá)的視覺跟蹤算法研究[D];北京理工大學(xué);2016年

8 王安;基于多層顯著前景塊的目標(biāo)跟蹤[D];安徽大學(xué);2016年

9 張亞紅;基于顯著性檢測(cè)和壓縮感知的視覺跟蹤[D];南京航空航天大學(xué);2015年

10 盧嘉林;基于判別模型的視覺跟蹤算法的研究[D];蘭州大學(xué);2016年

，

本文編號(hào)：2013608