發(fā)布時間：2019-05-28 03:09

【摘要】：跟蹤過程中發(fā)生的尺度變化、形變、遮擋是導(dǎo)致模型漂移的重要原因。為了克服模型漂移對魯棒跟蹤的影響,本文提出了一種利用多判別式模型和候選區(qū)域的跟蹤算法。首先,該算法采用候選區(qū)域替代傳統(tǒng)的滑動采樣,適應(yīng)跟蹤過程中目標的位移和尺度變化。接下來,為了提高目標的表征能力,先用預(yù)訓(xùn)練網(wǎng)絡(luò)提取整幅圖片的深度特征,再通過感興趣區(qū)域采樣層(ROI pooling layer)快速提取每一個候選區(qū)域的深度特征,進一步提高跟蹤算法的魯棒性。最后,運用多模型選擇機制進行回撤過去錯誤的模型更新,并通過調(diào)整搜索區(qū)域?qū)崿F(xiàn)對目標的重檢測,有效抑制了模型漂移對魯棒跟蹤的影響。實驗中,本文算法與相關(guān)算法在OTB 2013數(shù)據(jù)庫和UAV 20L數(shù)據(jù)庫上進行了對比。結(jié)果表明,本文算法在精確度與成功率上均取得了最優(yōu)性能,并能有效抑制模型漂移對魯棒跟蹤的影響。
[Abstract]:The scale change, deformation and occlusion in the process of tracking are the important reasons for the drift of the model. In order to overcome the influence of model drift on robust tracking, a tracking algorithm based on multi-discriminant model and candidate region is proposed in this paper. Firstly, the candidate region is used instead of the traditional sliding sampling to adapt to the displacement and scale change of the target in the tracking process. Next, in order to improve the representation ability of the target, the depth features of the whole picture are extracted by the pre-training network, and then the depth features of each candidate region are quickly extracted by the sampling layer (ROI pooling layer) of the region of interest. The robustness of the tracking algorithm is further improved. Finally, the multi-model selection mechanism is used to update the past error model, and the re-detection of the target is realized by adjusting the search area, which effectively suppresses the influence of model drift on robust tracking. In the experiment, the algorithm is compared with the related algorithm on OTB 2013 database and UAV 20L database. The results show that the algorithm achieves optimal performance in both accuracy and success rate, and can effectively suppress the influence of model drift on robust tracking.
【作者單位】： 空軍工程大學(xué)航空航天工程學(xué)院;
【基金】：國家自然科學(xué)基金項目(61472442) 航空科學(xué)基金項目(20155596024)
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 黃光遠,朱月秋;森林火災(zāi)的模型及其撲滅問題[J];系統(tǒng)工程理論與實踐;1988年02期

2 舒曉娟;陳洋波;任啟偉;;模型選擇準則在洪水頻率分析中的應(yīng)用[J];水利學(xué)報;2010年01期

3 黃梯云,吳菲,盧濤;模型自動選擇方法研究的進展[J];計算機應(yīng)用研究;2001年04期

4 吳婭輝;劉剛;郭軍;;基于模型混淆度的模型組合算法研究[J];自動化學(xué)報;2009年05期

5 孫成敏;劉大有;孫舒楊;;RSILP模型若干問題的研究[J];吉林大學(xué)學(xué)報(理學(xué)版);2007年02期

6 ;RS為工程師改進其3D CAD模型選擇工具[J];微型機與應(yīng)用;2013年02期

7 桂林;武小悅;;基于DIC的HMT模型選擇在故障診斷中的應(yīng)用[J];微計算機信息;2008年19期

8 蘇建元;葉海濤;冷波;徐敏;;UML模型選擇策略研究[J];微型電腦應(yīng)用;2007年03期

9 倪麗萍;倪志偉;李鋒剛;潘永剛;;基于蟻群算法的SVM模型選擇研究[J];計算機技術(shù)與發(fā)展;2007年09期

10 單鑫;高月芳;;基于動物視頻的跟蹤算法評估與分析[J];現(xiàn)代計算機(專業(yè)版);2014年18期

相關(guān)博士學(xué)位論文 前1條

1 房小兆;基于稀疏和低秩約束的模型學(xué)習(xí)研究[D];哈爾濱工業(yè)大學(xué);2016年

相關(guān)碩士學(xué)位論文 前6條

1 孫志濱;LDA模型的研究及其在推薦系統(tǒng)中的應(yīng)用[D];浙江大學(xué);2016年

2 肖馨梅;融合Lasso罰模型的理論與應(yīng)用研究[D];燕山大學(xué);2016年

3 徐桂彬;基于相關(guān)主題模型的音樂分類方法研究[D];蘇州大學(xué);2012年

4 鄭午辰;基于移動設(shè)備交互式系統(tǒng)的設(shè)計與實現(xiàn)[D];電子科技大學(xué);2015年

5 王強;基于視頻序列的運動目標跟蹤方法研究[D];北京理工大學(xué);2015年

6 孫景偉;基于多特征結(jié)合的壓縮跟蹤[D];廣西師范大學(xué);2015年

，

本文編號：2486686