多空间分辨率自适应特征融合的相关滤波目标跟踪算法

发布时间：2022-02-10 20:09

　　相关滤波算法因无法充分利用深度特征和浅层特征的互补特性而限制跟踪性能.针对该问题,文中提出多空间分辨率自适应特征融合的相关滤波目标跟踪算法.首先,使用更深的ResNet-50网络提取深度特征,提高特征表示在跟踪过程中的鲁棒性和鉴别性.再针对不同特征具有不同空间分辨率的特点,从视频帧中分割不同尺度的图像块作为搜索区域,更好地平衡边界效应和样本数目.最后,引入自适应特征融合方法,以自适应的权重融合两类特征的响应图,充分利用其互补特性.在多个标准数据集上的实验证实文中算法的有效性和鲁棒性. 

【文章来源】：模式识别与人工智能. 2020,33(01)北大核心CSCD

【文章页数】：9 页

【部分图文】：

本文算法框图

为了验证本文算法各个组分的有效性,给出自对比的验证实验.图2为在OTB-100数据库上的实验结果,其中HC表示仅使用浅层特征,Res表示使用ResNet-50提取深度特征,Fusion表示引入自适应融合方法,SA表示使用不同尺度搜索区域,结合全部组分即为本文算法.由图可知,算法在仅使用浅层特征的条件下取得63%的跟踪成功率,主要是因为STRCF提出的时空正则化使滤波器更具鉴别、泛化性能.引入ResNet-50提取目标深度特征带来3.7%的性能提升,这是因为深度特征包含的深层次语义信息提高特征的表示能力,提高算法性能.在使用自适应融合策略后,算法性能提升2.1%,是由于自适应融合策略更好地利用浅层特征和深度特征的互补性.最后,基于深度特征和浅层特征具有不同空间分辨率的事实,采用区分搜索区域尺度的方式,以更好的平衡应对特征的边界效应问题和训练样本数,实验结果具有较理想的提升.上述实验结果表明,本文算法的各个组分对于性能提升都有较大贡献,同时也说明本文算法的有效性和优越性.另外,本文深入研究本文算法中不同尺度的搜索区域和自适应特征融合部分.图3为在OTB-100数据集上使用不同尺度搜索区域组的实验结果.由图可知,采用较浅层特征对应更大且适当的搜索区域以提取深度特征,可以带来算法性能的提升.

另外,本文深入研究本文算法中不同尺度的搜索区域和自适应特征融合部分.图3为在OTB-100数据集上使用不同尺度搜索区域组的实验结果.由图可知,采用较浅层特征对应更大且适当的搜索区域以提取深度特征,可以带来算法性能的提升.图4为Skating 2-1视频序列中不同场景下自适应特征融合的实验结果.(a)中场景未发生外观变化,浅层特征的权重较大.(b)中目标被严重遮挡且变形严重,深度特征权重更高.(c)中目标虽然存在轻微的遮挡和变形,但整体上清晰,浅层特征权重高于深度特征.由图可知,自适应特征融合策略的引入能够更充分地利用深度特征和浅层特征的互补特性,提高算法性能.

【参考文献】：
期刊论文
[1]基于子空间和直方图的多记忆自适应相关滤波目标跟踪算法[J]. 冯棐,吴小俊,徐天阳.  模式识别与人工智能. 2018(07)
[2]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)
[3]相关滤波目标跟踪进展综述[J]. 张微,康宝生.  中国图象图形学报. 2017(08)
[4]基于相关滤波的视频目标跟踪算法综述[J]. 吴小俊,徐天阳,须文波.  指挥信息系统与技术. 2017(03)
[5]基于改进的确定性目标关联的车辆跟踪方法[J]. 周俊静,段建民,杨光祖.  模式识别与人工智能. 2014(01)



本文编号：3619454