基于深度降噪自编码器的多特征目标融合跟踪算法

发布时间：2021-12-19 02:27

　　针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。 

【文章来源】：光电子·激光. 2020,31(02)北大核心CSCD

【文章页数】：12 页

【部分图文】：

降噪自编码器原理示意图

该模型分为预训练阶段和微调阶段两个阶段。在预训练阶段,其目的实际上就是通过迭代优化调整训练样本集中参数{θ,θT}(θ={W,b},θT={WT,bT})得到最小重建误差Jsparse。通过式(2)即可求得。在微调阶段,丢弃重建层,将最后一个降噪自编码器的隐含层作为Logistic分类器的输入,通过梯度下降法求解并更新式(3)参数θ,最终获得对测试样本的分类。3 深度降噪自编码器的多特征目标跟踪算法

基于深度降噪自编码器的多特征目标跟踪算法流程如图3 所示。本算法主要针对提升采集数据质量和粒子特征提取进行改进(见图3 中流程I、流程II),视频流预处理时,利用图像去雾算法和稳像算法提升数据质量,凸显有价值的信息;粒子特征提取流程中,提取目标颜色(HSV)和纹理(UniformLBP)两种特征并加权融合,提升了目标可区分度。流程III 采用SDDAE-Logistic 网络模型,采用离线训练的方式选择有效粒子,以解决目标遮挡、光线变化、目标模糊情况下跟踪稳定性差的问题,提升算法鲁棒性,提升算法运行速度。3.1 数据预处理

【参考文献】：
期刊论文
[1]基于相关滤波器的视频跟踪方法研究进展[J]. 刘巧元,王玉茹,张金玲,殷明浩.  自动化学报. 2019(02)
[2]目标识别算法综述[J]. 尉震行.  中国设备工程. 2019(01)
[3]电子稳像算法的速度与精度改进[J]. 董常青,程雪岷,郝群.  计算机辅助设计与图形学学报. 2018(08)



本文编号：3543603