提出了一種基于深度學習檢測算法YOLOv3的目標跟蹤算法。該算法利用深度學習模型在目標特征提取上的優(yōu)勢,采用基于回歸的YOLOv3檢測模型提取候選目標,同時結合目標顏色直方特征和局部二值模式直方特征進行目標篩選,實現對目標的跟蹤。為了提高算法的性能,還提出了一種K鄰域搜索方法,可以針對選定目標進行鄰域檢測。實驗結果表明,提出的目標跟蹤算法跟蹤效果很好,綜合表現比4種對比算法提高了80%左右,同時在目標物體光照變化、姿態(tài)變化、尺寸變化、旋轉變化等復雜情況下有很好的魯棒性。 

【文章來源】：電光與控制. 2019,26(10)北大核心CSCD

【文章頁數】：7 頁

【文章目錄】：
0 引言
1 基本概念
    1.1 YOLOv3介紹
    1.2 K鄰域搜索
2 目標跟蹤模型
    2.1 特征提取
    2.2 目標選擇
    2.3 模板更新
    2.4 TOD算法流程
3 實驗結果與分析
    3.1 實驗定性分析
    3.2 實驗定量分析
4 結束語


【參考文獻】：
期刊論文
[1]改進YOLO V3遙感圖像飛機識別應用[J]. 鄭志強,劉妍妍,潘長城,李國寧.  電光與控制. 2019(04)
[2]基于深度學習物體檢測的視覺跟蹤方法[J]. 唐聰,凌永順,楊華,楊星,鄭超.  紅外與激光工程. 2018(05)
[3]基于深度學習的目標抗干擾跟蹤算法[J]. 閔召陽,趙文杰.  紅外技術. 2018(02)
[4]基于多模板的魯棒運動目標跟蹤方法[J]. 陸惟見,尚振宏,劉輝,李潤鑫,錢謙.  傳感器與微系統. 2018(02)
[5]自適應緊致特征的超像素目標跟蹤[J]. 田健,王開軍.  中國圖象圖形學報. 2017(10)
[6]基于圖像顯著輪廓的目標檢測[J]. 畢威,黃偉國,張永萍,高冠琪,朱忠奎.  電子學報. 2017(08)
[7]基于深度學習的目標跟蹤方法研究現狀與展望[J]. 羅海波,許凌云,惠斌,常錚.  紅外與激光工程. 2017(05)
[8]深度學習在視頻目標跟蹤中的應用進展與展望[J]. 管皓,薛向陽,安志勇.  自動化學報. 2016(06)
[9]基于L1范數和最小軟閾值均方的目標跟蹤算法[J]. 王海軍,葛紅娟,張圣燕.  山東大學學報(工學版). 2016(03)
[10]結合HOG-LBP特征及多實例在線學習的隨機蕨目標跟蹤方法（英文）[J]. 吉培培,陳懇,劉哲,吳盈.  寧波大學學報(理工版). 2015(04)



本文編號：3147628