融合上下文信息及多特征目标跟踪方法研究

发布时间：2021-08-18 07:15

　　针对传统相关滤波跟踪算法中单一特征在复杂环境下出现跟踪失败情况,提出一种融合传统特征、卷积特征及上下文信息的运动跟踪方法.通过固定权重融合目标及上下文信息的方向梯度直方图特征响应图和目标颜色直方图特征响应图,再自适应融合卷积特征响应图以更好地跟踪目标,对目标尺度变化问题采用尺度池方法.在标准测试集（OTB-50）中验证了本文算法,与基于传统特征及上下文信息的算法相比,平均距离精度提高了6. 1%,平均重叠精度提高了4. 7%;与只使用卷积特征的算法相比,平均距离精度虽然只提高了0. 2%,但平均重叠精度提高了7. 2%;与其他主流算法相比,性能也优于其他算法,能够有效提升跟踪目标在尺度变化与背景杂波等情况下的准确性与鲁棒性. 

【文章来源】：小型微型计算机系统. 2020,41(03)北大核心CSCD

【文章页数】：6 页

【部分图文】：

多特征融合流程图

式中，r为固定权重．由于文献[17]里提取的特征属于传统特征，和卷积特征相比判别能力不强．为了提高跟踪精度，克服模板更新过程中出现的的漂移情况，本文对传统特征响应图ftrad和卷积特征响应图fconv采用自适应加权融合，响应最大处即为最终目标位置flast，在本文中，自适应融合权重使用相邻图像帧的特征响应图峰值旁瓣比(PSR)差值，最终融合的公式由式(16)计算:各自的自适应权重由式(17)计算:

本文提出的算法与使用传统特征及上下文信息的原算法STAPLE-CA相比，平均DP提高了6.1%，平均OP提高了4.7%;与只使用卷积特征的CF2相比，平均DP虽然只提高了0.2%，但平均OP提高了7.2%;与用卷积特征代替HOG特征的DeepSRDCF相比，平均OP虽提高了1.8%，但平均DP提高了4.4%，实验证明了传统手工特征与卷积特征两种特征的融合比只使用卷积特征和传统特征效果要好．文中引入目标上下文信息，目标上下文信息被视为硬性负样本帮助辅助定位，比起针对引入空间正则化惩罚项的SRDCF，平均DP提高了5.5%，平均OP提高了3.1%;比起利用背景感知的csrdcf相比，平均DP提高了9.3%，平均OP提高了5.9%;与融合灰度特征，HOG特征及CN特征和对尺度进行改进的SAM F相比，平均DP提高了10.8%，平均OP提高了8.0%，说明了与卷积特征的融合在复杂情况下能够提升跟踪效果;与图中其他的使用卷积特征的主流算法相比，本文在平均DP和平均OP方面优于其他算法．图3说明本文算法无论是与使用传统特征、卷积特征、背景信息还是对尺度池进行改进的算法，在距离精度和重叠精度方面效果均优于其他算法，本文在传统特征的基础上引入上下文信息硬性负样本进行辅助定位，提取传统特征的同时自适应融合了卷积特征，并用尺度池解决目标尺度变化问题，实验证明了本算法的有效性，使目标跟踪的效果有了进一步的提升．

【参考文献】：
期刊论文
[1]深度神经网络在目标跟踪算法中的应用与最新研究进展[J]. 欧阳谷,钟必能,白冰,柳欣,王靖,杜吉祥.  小型微型计算机系统. 2018(02)
[2]融合分层卷积特征和尺度自适应核相关滤波器的目标跟踪[J]. 白冰,钟必能,欧阳谷.  小型微型计算机系统. 2017(09)
[3]基于核循环结构的自适应特征融合目标跟踪[J]. 赵高鹏,沈玉鹏,王建宇.  光学学报. 2017(08)
[4]融合视觉先验与背景信息的视频目标跟踪方法[J]. 管皓,薛向阳,安志勇.  小型微型计算机系统. 2016(09)



本文编号：3349455