現(xiàn)有的目標跟蹤算法大多采用傳統(tǒng)的手工特征或神經(jīng)網(wǎng)絡的某一層特征描述目標的外觀,不利于跟蹤,文中提出一種基于多層深度特征的自適應更新目標跟蹤算法。采用經(jīng)過預訓練的深層卷積神經(jīng)網(wǎng)絡分別提取低層和高層信息用以描述目標的空間特征和語義特征,通過對兩層特征信息的學習得到兩個濾波模板,對應求得兩個濾波響應,這兩個濾波響應以不同的權(quán)重決定最后的跟蹤結(jié)果。算法中還設計了對目標外觀模型和濾波模板的自適應更新方案,能更好地適應目標的外觀變化以及遮擋問題。采用多層深度特征描述目標外觀,并且利用提取的特征訓練兩個濾波模板,求濾波響應時采用核相關的方法,增強了跟蹤結(jié)果的準確性并加快了跟蹤的速度。實驗結(jié)果表明,所提算法與現(xiàn)有跟蹤算法相比,可以更好地應對多種挑戰(zhàn)因素,跟蹤速度也完全能滿足實時跟蹤任務的需求。 

【文章來源】：現(xiàn)代電子技術(shù). 2019,42(01)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

本文算法流程圖Fig.1Flowchartofthealgorithm2基于多層深度特征的跟蹤

相關可表示為：Kxz=F-1(X⊙Z)（4）其中X和Z都是頻域表示。此時式（2）變?yōu)椋簑=yKxx+λ（5）濾波響應為：f=Kxz⊙w（6）最后將f(m,n)的峰值位置p(m,n)作為跟蹤結(jié)果，有：p(m,n)=argmaxm,n(f(m,n))（7）式中m，n表示像素點位置。2.2本文卷積神經(jīng)網(wǎng)絡卷積神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)總體上分為特征提取部分、全連接層和輸出層。特征提取部分是卷積神經(jīng)網(wǎng)絡的核心，如圖2所示，特征提取部分由卷積層和池化層交替堆疊而成。卷積層通過卷積核（圖2中已標出）與目標圖像做卷積計算，從而獲取特征圖，卷積核大小是實驗中訓練優(yōu)化得到的。池化層（如圖2中的maxpooling層）其實就是降采樣作用，得到分辨率較低的圖像，目的是獲取一定的位移不變性，提高圖像識別的魯棒性。通常的做法是取一定鄰域內(nèi)像素的平均值或最大值，如圖2所示，也是通過優(yōu)化的卷積核運算實現(xiàn)的。經(jīng)過特征提取層后，得到的多個特征圖構(gòu)成特征向量后通過全連接層與最終的輸出層相連。圖2卷積神經(jīng)網(wǎng)絡基本結(jié)構(gòu)Fig.2Basicstructureofconvolutionalneuralnetwork本文所用CNNs如圖3所示，該網(wǎng)絡設計為19層，包括16層卷積層、3層全連接層，其中每一組卷積層后接一個maxpooling層，與一般的卷積層和池化層交替堆疊的結(jié)構(gòu)有所不同。圖3中“3×3conv，64”表示卷積層中有64個大小為3×3的卷積核，“Size”表示每一次卷積后得到的特征圖大小，本網(wǎng)絡卷積核全部為3×3大校本文所用網(wǎng)絡層數(shù)很深，實驗證明對于目標跟蹤類的問題比其他淺層網(wǎng)絡效?

中已標出）與目標圖像做卷積計算，從而獲取特征圖，卷積核大小是實驗中訓練優(yōu)化得到的。池化層（如圖2中的maxpooling層）其實就是降采樣作用，得到分辨率較低的圖像，目的是獲取一定的位移不變性，提高圖像識別的魯棒性。通常的做法是取一定鄰域內(nèi)像素的平均值或最大值，如圖2所示，也是通過優(yōu)化的卷積核運算實現(xiàn)的。經(jīng)過特征提取層后，得到的多個特征圖構(gòu)成特征向量后通過全連接層與最終的輸出層相連。圖2卷積神經(jīng)網(wǎng)絡基本結(jié)構(gòu)Fig.2Basicstructureofconvolutionalneuralnetwork本文所用CNNs如圖3所示，該網(wǎng)絡設計為19層，包括16層卷積層、3層全連接層，其中每一組卷積層后接一個maxpooling層，與一般的卷積層和池化層交替堆疊的結(jié)構(gòu)有所不同。圖3中“3×3conv，64”表示卷積層中有64個大小為3×3的卷積核，“Size”表示每一次卷積后得到的特征圖大小，本網(wǎng)絡卷積核全部為3×3大校本文所用網(wǎng)絡層數(shù)很深，實驗證明對于目標跟蹤類的問題比其他淺層網(wǎng)絡效果更好，本文所用的網(wǎng)絡已經(jīng)通過ImageNet數(shù)據(jù)集進行預訓練。為了證明CNNs高層與低層特征的不同，本文將前期實驗中提取了第8層和第16層的特征圖做對比，如圖4所示，其中圖4a）是輸入圖片（隨機選�。�，圖4b）表示卷積第8層輸出的特征圖（隨機選取1張），圖4c）表示卷積第16層輸出的特征圖（隨機選取1張）。如圖4所示，卷積第8層特征能很好地識別目標的邊界信息，可以準確地反映目標的位置變化，而卷積第16層特征反映的是目標的語義特征，對于目標的外觀能很好地表達。圖3本文卷積神經(jīng)網(wǎng)絡Fig.3Convolutionalneuralnetwork圖4卷積第

【參考文獻】：
期刊論文
[1]多通道核相關濾波的實時跟蹤方法[J]. 胡昭華,邢衛(wèi)國,何軍,張秀再.  計算機應用. 2015(12)



本文編號：3215811