基于深度学习的尺度自适应海面目标跟踪算法
发布时间：2021-07-14 14:53
相比于普通场景的目标跟踪,无人艇海面目标跟踪具有目标尺度变化大、目标抖动剧烈和视角变化大等独特挑战。针对此,文中提出了基于深度学习的尺度自适应海面目标跟踪算法,以样本中心点是否落在真实目标框内对样本进行分类,直接回归中心点到目标框上下左右的距离预测目标框的位置和尺度。同时,建立了海面目标跟踪算法评估平台,以验证所提算法的有效性。试验结果表明,文中算法相比基于锚框的算法跟踪位置精度提升了4.8%,成功率提升了11.49%,有效解决了目标尺度自适应问题。
【文章来源】：水下无人系统学报. 2020,28(06)北大核心
【文章页数】：8 页
【部分图文】：
OPE评估精确度和成功率曲线Fig.9PrecisionandsuccessratecurvesofOPE
2020年12月吴翔,等:基于深度学习的尺度自适应海面目标跟踪算法第6期水下无人系统学报www.yljszz.cn619标的信息,该任务负责在之后的每一帧图像中定位出该目标[2-3]。不同于普通场景的目标跟踪任务,海面目标跟踪虽背景较为简单,但具有目标尺度变化大(见图1)等特点。图1目标尺度变化Fig.1Changeofobjectscale目前较流行的目标跟踪算法有基于相关滤波器跟踪算法和基于孪生网络跟踪算法。基于相关滤波器跟踪算法通过循环样本集训练一个二维滤波器来寻找图像中目标的位置,并根据循环矩阵在傅里叶域对角化的性质,将复杂的时域运算转化到傅里叶域元素间的点乘运算,大大减少了运算量,提高了跟踪算法效率[4]。在基于相关滤波器的跟踪算法中,解决目标尺度问题的算法包括判别式尺度空间跟踪(discriminativescalespacetracking,DSST)算法[5]、多特征尺度自适应(scaleadaptivemultiplefeature,SAMF)算法[6]、核相关滤波器与检测建议(kernelizedcorrelationfilterwithdetectionproposal,KCFDP)算法[7]、可伸缩核相关滤波器(scalablekernelcorrelationfilter,SKCF)算法[8]、积分边界中心相关滤波器(integratingboun-daryandcentercorrelationfilter,IBCCF)算法[9]等,该类目标跟踪算法大部分使用手工特征,或使用应用于分类任务的预训练网络提取特征,无法形成端到端的训练。2016年,Bertinetto等[10]首次将孪生网络用于视觉目标跟踪领域,提出SiamFC跟踪器,该跟踪器采用第1帧作为模板,在后续帧中通过相似性匹配寻找目标位置,通过采样3种不同尺度样本分别与模板帧作相似性匹配以获得最佳尺
2020年12月水下无人系统学报第28卷620JournalofUnmannedUnderseaSystemswww.yljszz.cn用z表示;下分支称为搜索分支,其输入为根据上一帧目标信息获得的当前帧搜索区域图像,大小调整为255px×255px,用x表示。图中:表示特征提取网络,模板分支和搜索分支特征提取网络参数共享。模板分支目标图像块特征(z)和检测分支搜索图像块特征(x)进行交叉相关操作,得到最终响应图,即将(z)作为卷积核在(x)上进行卷积。卷积时,每个子窗口可以看成一个候选样本,共有17×17个候选样本,因此最终响应图的大小为17×17,每个值代表对应候选样本的分类结果。SiamFC跟踪器通过对当前帧图像进行3种不同尺度的采样,然后输入网络进行以上操作,可得到3个响应图,将最大响应值所在响应图对应的尺度作为当前帧目标的尺度。图2孪生网络结构图Fig.2Diagramofsiamesenetworkstructure1.2问题分析将SiamRPN跟踪器应用于海面目标跟踪数据集,发现其表现效果并不好。在分析其原因之前,首先简单介绍SiamRPN跟踪器的目标跟踪过程。SiamRPN跟踪器共有17×17个候选区域,对于每一个候选区域设置尺度以及长宽比不同的锚框,在训练过程中根据锚框与GT的交并比(intersection-over-union,IOU)大小对锚框分类,设置分类标签,将与GT的IOU大于0.6的锚框设置为正样本,其余设置为负样本,最后再将锚框向GT回归。如上所述,基于锚框的目标跟踪算法的训练过程注定其表现效果对锚框的尺寸、长宽比和数目非常敏感,与锚框相关的超参数需要针对不同对象大小或长宽比进
【参考文献】：
期刊论文
[1]时空上下文融合的无人艇海面目标跟踪[J]. 彭艳,陈加宏,李小毛,罗均,谢少荣,刘畅,蒲华燕. 中国科学:技术科学. 2018(12)
本文编号：3284358
【文章来源】：水下无人系统学报. 2020,28(06)北大核心
【文章页数】：8 页
【部分图文】：
OPE评估精确度和成功率曲线Fig.9PrecisionandsuccessratecurvesofOPE
2020年12月吴翔,等:基于深度学习的尺度自适应海面目标跟踪算法第6期水下无人系统学报www.yljszz.cn619标的信息,该任务负责在之后的每一帧图像中定位出该目标[2-3]。不同于普通场景的目标跟踪任务,海面目标跟踪虽背景较为简单,但具有目标尺度变化大(见图1)等特点。图1目标尺度变化Fig.1Changeofobjectscale目前较流行的目标跟踪算法有基于相关滤波器跟踪算法和基于孪生网络跟踪算法。基于相关滤波器跟踪算法通过循环样本集训练一个二维滤波器来寻找图像中目标的位置,并根据循环矩阵在傅里叶域对角化的性质,将复杂的时域运算转化到傅里叶域元素间的点乘运算,大大减少了运算量,提高了跟踪算法效率[4]。在基于相关滤波器的跟踪算法中,解决目标尺度问题的算法包括判别式尺度空间跟踪(discriminativescalespacetracking,DSST)算法[5]、多特征尺度自适应(scaleadaptivemultiplefeature,SAMF)算法[6]、核相关滤波器与检测建议(kernelizedcorrelationfilterwithdetectionproposal,KCFDP)算法[7]、可伸缩核相关滤波器(scalablekernelcorrelationfilter,SKCF)算法[8]、积分边界中心相关滤波器(integratingboun-daryandcentercorrelationfilter,IBCCF)算法[9]等,该类目标跟踪算法大部分使用手工特征,或使用应用于分类任务的预训练网络提取特征,无法形成端到端的训练。2016年,Bertinetto等[10]首次将孪生网络用于视觉目标跟踪领域,提出SiamFC跟踪器,该跟踪器采用第1帧作为模板,在后续帧中通过相似性匹配寻找目标位置,通过采样3种不同尺度样本分别与模板帧作相似性匹配以获得最佳尺
2020年12月水下无人系统学报第28卷620JournalofUnmannedUnderseaSystemswww.yljszz.cn用z表示;下分支称为搜索分支,其输入为根据上一帧目标信息获得的当前帧搜索区域图像,大小调整为255px×255px,用x表示。图中:表示特征提取网络,模板分支和搜索分支特征提取网络参数共享。模板分支目标图像块特征(z)和检测分支搜索图像块特征(x)进行交叉相关操作,得到最终响应图,即将(z)作为卷积核在(x)上进行卷积。卷积时,每个子窗口可以看成一个候选样本,共有17×17个候选样本,因此最终响应图的大小为17×17,每个值代表对应候选样本的分类结果。SiamFC跟踪器通过对当前帧图像进行3种不同尺度的采样,然后输入网络进行以上操作,可得到3个响应图,将最大响应值所在响应图对应的尺度作为当前帧目标的尺度。图2孪生网络结构图Fig.2Diagramofsiamesenetworkstructure1.2问题分析将SiamRPN跟踪器应用于海面目标跟踪数据集,发现其表现效果并不好。在分析其原因之前,首先简单介绍SiamRPN跟踪器的目标跟踪过程。SiamRPN跟踪器共有17×17个候选区域,对于每一个候选区域设置尺度以及长宽比不同的锚框,在训练过程中根据锚框与GT的交并比(intersection-over-union,IOU)大小对锚框分类,设置分类标签,将与GT的IOU大于0.6的锚框设置为正样本,其余设置为负样本,最后再将锚框向GT回归。如上所述,基于锚框的目标跟踪算法的训练过程注定其表现效果对锚框的尺寸、长宽比和数目非常敏感,与锚框相关的超参数需要针对不同对象大小或长宽比进
【参考文献】：
期刊论文
[1]时空上下文融合的无人艇海面目标跟踪[J]. 彭艳,陈加宏,李小毛,罗均,谢少荣,刘畅,蒲华燕. 中国科学:技术科学. 2018(12)
本文编号：3284358
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3284358.html
