基于深度特征与抗遮挡策略的运动目标跟踪

发布时间：2021-08-25 06:31

　　为了进一步提高复杂场景下的目标跟踪精度与鲁棒性,本文提出了基于深度特征与抗遮挡策略的运动目标跟踪算法,首先利用深层卷积神经网络提取出目标的深度卷积特征以代替传统的手工特征,然后将深度卷积特征融入传统的核相关滤波跟踪框架,充分利用深度特征描述能力强和相关滤波算法跟踪效率高的优势,同时采用高置信度抗遮挡更新策略来更新滤波器,利用融合特征训练尺度相关滤波器,以便更加精准预测目标的位置,提高算法抗遮挡能力.论文对数据集OTB-100视频序列中有遮挡问题的序列进行了测试,并与Deep STRCF、DSST、SRDCF、COT和ECO等算法进行比较,实验结果表明,本文所提算法在目标尺度变化、背景干扰和遮挡等复杂背景下具有更高的跟踪精度与成功率,跟踪效果最佳. 

【文章来源】：西北师范大学学报(自然科学版). 2020,56(04)北大核心

【文章页数】：8 页

【部分图文】：

在遮挡状态下跟踪对比图

图1 在遮挡状态下跟踪对比图其中,Ad为滤波器的分子;Bd为滤波器的分母;t为帧索引.通过设置APCE的值选择更新滤波器,不仅可以降低背景信息的干扰,还能减少模型更新错误,在一定程度上提高了跟踪精度.

目标跟踪算法流程如图3所示.首先输入视频序列首帧目标的位置信息和尺度信息,由空间插值对视频序列进行卷积特征提取,然后根据得到的特征训练位置滤波器进而得到位置滤波模板,再根据目标位置提取传统特征训练尺度滤波器来得到尺度滤波模板;接着根据视频序列前一帧的目标位置和尺度,提取位置样本和尺度样本以便获得预测位置和估计尺度;最后根据位置滤波器和尺度滤波器输出得到的响应图,结合APCE值选择是否更新位置滤波器模板和尺度滤波器模板,最终输出视频序列每帧的目标位置和尺度信息.3 实验与结果分析

【参考文献】：
期刊论文
[1]基于卷积网络的目标跟踪应用研究[J]. 赵春梅,陈忠碧,张建林.  光电工程. 2020(01)
[2]基于核滤波器实时运动目标的抗遮挡再跟踪[J]. 汤学猛,陈志国,傅毅.  光电工程. 2020(01)
[3]基于融合特征的多尺度快速相关滤波跟踪算法[J]. 火元莲,曹鹏飞,董俊松,石明.  计算机工程与科学. 2019(03)
[4]基于颜色、空间和纹理信息的目标跟踪[J]. 侯志强,王利平,郭建新,褚鹏.  光电工程. 2018(05)
[5]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋.  模式识别与人工智能. 2018(01)
[6]特征融合的尺度自适应相关滤波跟踪算法[J]. 李聪,鹿存跃,赵珣,章宝民,王红雨.  光学学报. 2018(05)



本文编号：3361589