【摘要】：為了在復雜環(huán)境下更好地區(qū)分被跟蹤目標和背景,設計了一種基于2l范數(shù)歸一化和1l范數(shù)最小化的深度稀疏濾波模型,通過深度學習獲取樣本稀疏特征并對其進行分類,將該模型和粒子濾波框架結合,提出一種目標跟蹤算法.首先使用離線訓練集對深度稀疏濾波模型進行逐層無監(jiān)督預訓練得到權值參數(shù)的初始值,然后在跟蹤過程中利用標簽樣本對模型在線更新,通過有監(jiān)督微調(diào)優(yōu)化其權值參數(shù)使得模型能夠更好地適應目標外觀變化,最后利用訓練好的深度稀疏濾波模型對經(jīng)由粒子濾波算法給出的候選區(qū)域進行觀測,以確定跟蹤目標.在不同視頻序列中的實驗表明,文中算法在復雜條件下具有良好的跟蹤精度和魯棒性.
[Abstract]:In order to distinguish the target from the background better in complex environment, a deep sparse filtering model based on 2l norm normalization and 1L norm minimization is designed. The sparse feature of the sample is obtained and classified by depth learning. A target tracking algorithm is proposed by combining the model with the particle filter framework. Firstly, the initial value of weight parameters is obtained by using off-line training set to pre-train the depth sparse filter model layer by layer, and then the model is updated online by label samples during the tracking process. The weight parameters are optimized by supervised fine-tuning so that the model can better adapt to the appearance changes of the target. Finally, the candidate regions given by particle filter algorithm are observed by using the trained depth sparse filter model to determine the target tracking. Experiments in different video sequences show that the proposed algorithm has good tracking accuracy and robustness under complex conditions.
【作者單位】： 閩江學院物理學與電子信息工程系;
【基金】：國家自然科學基金(51277091) 中國博士后科學基金(2013T60637) 福建省中青年教師教育科研項目(A15415) 福州市科技計劃重點項目(2013-G-86)
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前4條

1 高穎慧;沈振康;;量子衍生窗口濾波模型[J];計算機應用研究;2009年11期

2 余學祥,呂偉才;GPS監(jiān)測網(wǎng)動態(tài)數(shù)據(jù)處理抗差Kalman濾波模型[J];中國礦業(yè)大學學報;2000年06期

3 強成虎;李錚;鄭錚;王希東;;高精度GPS時間信息的研究與應用[J];國外電子測量技術;2007年03期

4 ;[J];;年期

相關碩士學位論文 前3條

1 宓慶華;一族保邊方向偏微分方程濾波模型及應用研究[D];天津大學;2014年

2 甘雨;基于時頻特性分析的INS誤差處理及組合導航系統(tǒng)濾波模型精化[D];解放軍信息工程大學;2012年

3 楊娜;空間域保邊濾波方法及在核級石墨三點彎曲實驗中的應用[D];天津大學;2013年

，

本文編號：2345409