多层深度特征的目标跟踪算法研究
发布时间：2021-06-07 04:00
现有的目标跟踪算法大多采用传统的手工特征或神经网络的某一层特征描述目标的外观,不利于跟踪,文中提出一种基于多层深度特征的自适应更新目标跟踪算法。采用经过预训练的深层卷积神经网络分别提取低层和高层信息用以描述目标的空间特征和语义特征,通过对两层特征信息的学习得到两个滤波模板,对应求得两个滤波响应,这两个滤波响应以不同的权重决定最后的跟踪结果。算法中还设计了对目标外观模型和滤波模板的自适应更新方案,能更好地适应目标的外观变化以及遮挡问题。采用多层深度特征描述目标外观,并且利用提取的特征训练两个滤波模板,求滤波响应时采用核相关的方法,增强了跟踪结果的准确性并加快了跟踪的速度。实验结果表明,所提算法与现有跟踪算法相比,可以更好地应对多种挑战因素,跟踪速度也完全能满足实时跟踪任务的需求。
【文章来源】：现代电子技术. 2019,42(01)北大核心
【文章页数】：6 页
【部分图文】：
本文算法流程图Fig.1Flowchartofthealgorithm2基于多层深度特征的跟踪
相关可表示为：Kxz=F-1(X⊙Z)（4）其中X和Z都是频域表示。此时式（2）变为：w=yKxx+λ（5）滤波响应为：f=Kxz⊙w（6）最后将f(m,n)的峰值位置p(m,n)作为跟踪结果，有：p(m,n)=argmaxm,n(f(m,n))（7）式中m，n表示像素点位置。2.2本文卷积神经网络卷积神经网络的基本结构总体上分为特征提取部分、全连接层和输出层。特征提取部分是卷积神经网络的核心，如图2所示，特征提取部分由卷积层和池化层交替堆叠而成。卷积层通过卷积核（图2中已标出）与目标图像做卷积计算，从而获取特征图，卷积核大小是实验中训练优化得到的。池化层（如图2中的maxpooling层）其实就是降采样作用，得到分辨率较低的图像，目的是获取一定的位移不变性，提高图像识别的鲁棒性。通常的做法是取一定邻域内像素的平均值或最大值，如图2所示，也是通过优化的卷积核运算实现的。经过特征提取层后，得到的多个特征图构成特征向量后通过全连接层与最终的输出层相连。图2卷积神经网络基本结构Fig.2Basicstructureofconvolutionalneuralnetwork本文所用CNNs如图3所示，该网络设计为19层，包括16层卷积层、3层全连接层，其中每一组卷积层后接一个maxpooling层，与一般的卷积层和池化层交替堆叠的结构有所不同。图3中“3×3conv，64”表示卷积层中有64个大小为3×3的卷积核，“Size”表示每一次卷积后得到的特征图大小，本网络卷积核全部为3×3大校本文所用网络层数很深，实验证明对于目标跟踪类的问题比其他浅层网络效?
中已标出）与目标图像做卷积计算，从而获取特征图，卷积核大小是实验中训练优化得到的。池化层（如图2中的maxpooling层）其实就是降采样作用，得到分辨率较低的图像，目的是获取一定的位移不变性，提高图像识别的鲁棒性。通常的做法是取一定邻域内像素的平均值或最大值，如图2所示，也是通过优化的卷积核运算实现的。经过特征提取层后，得到的多个特征图构成特征向量后通过全连接层与最终的输出层相连。图2卷积神经网络基本结构Fig.2Basicstructureofconvolutionalneuralnetwork本文所用CNNs如图3所示，该网络设计为19层，包括16层卷积层、3层全连接层，其中每一组卷积层后接一个maxpooling层，与一般的卷积层和池化层交替堆叠的结构有所不同。图3中“3×3conv，64”表示卷积层中有64个大小为3×3的卷积核，“Size”表示每一次卷积后得到的特征图大小，本网络卷积核全部为3×3大校本文所用网络层数很深，实验证明对于目标跟踪类的问题比其他浅层网络效果更好，本文所用的网络已经通过ImageNet数据集进行预训练。为了证明CNNs高层与低层特征的不同，本文将前期实验中提取了第8层和第16层的特征图做对比，如图4所示，其中图4a）是输入图片（随机选取），图4b）表示卷积第8层输出的特征图（随机选取1张），图4c）表示卷积第16层输出的特征图（随机选取1张）。如图4所示，卷积第8层特征能很好地识别目标的边界信息，可以准确地反映目标的位置变化，而卷积第16层特征反映的是目标的语义特征，对于目标的外观能很好地表达。图3本文卷积神经网络Fig.3Convolutionalneuralnetwork图4卷积第
【参考文献】：
期刊论文
[1]多通道核相关滤波的实时跟踪方法[J]. 胡昭华,邢卫国,何军,张秀再. 计算机应用. 2015(12)
本文编号：3215811
【文章来源】：现代电子技术. 2019,42(01)北大核心
【文章页数】：6 页
【部分图文】：
本文算法流程图Fig.1Flowchartofthealgorithm2基于多层深度特征的跟踪
相关可表示为：Kxz=F-1(X⊙Z)（4）其中X和Z都是频域表示。此时式（2）变为：w=yKxx+λ（5）滤波响应为：f=Kxz⊙w（6）最后将f(m,n)的峰值位置p(m,n)作为跟踪结果，有：p(m,n)=argmaxm,n(f(m,n))（7）式中m，n表示像素点位置。2.2本文卷积神经网络卷积神经网络的基本结构总体上分为特征提取部分、全连接层和输出层。特征提取部分是卷积神经网络的核心，如图2所示，特征提取部分由卷积层和池化层交替堆叠而成。卷积层通过卷积核（图2中已标出）与目标图像做卷积计算，从而获取特征图，卷积核大小是实验中训练优化得到的。池化层（如图2中的maxpooling层）其实就是降采样作用，得到分辨率较低的图像，目的是获取一定的位移不变性，提高图像识别的鲁棒性。通常的做法是取一定邻域内像素的平均值或最大值，如图2所示，也是通过优化的卷积核运算实现的。经过特征提取层后，得到的多个特征图构成特征向量后通过全连接层与最终的输出层相连。图2卷积神经网络基本结构Fig.2Basicstructureofconvolutionalneuralnetwork本文所用CNNs如图3所示，该网络设计为19层，包括16层卷积层、3层全连接层，其中每一组卷积层后接一个maxpooling层，与一般的卷积层和池化层交替堆叠的结构有所不同。图3中“3×3conv，64”表示卷积层中有64个大小为3×3的卷积核，“Size”表示每一次卷积后得到的特征图大小，本网络卷积核全部为3×3大校本文所用网络层数很深，实验证明对于目标跟踪类的问题比其他浅层网络效?
中已标出）与目标图像做卷积计算，从而获取特征图，卷积核大小是实验中训练优化得到的。池化层（如图2中的maxpooling层）其实就是降采样作用，得到分辨率较低的图像，目的是获取一定的位移不变性，提高图像识别的鲁棒性。通常的做法是取一定邻域内像素的平均值或最大值，如图2所示，也是通过优化的卷积核运算实现的。经过特征提取层后，得到的多个特征图构成特征向量后通过全连接层与最终的输出层相连。图2卷积神经网络基本结构Fig.2Basicstructureofconvolutionalneuralnetwork本文所用CNNs如图3所示，该网络设计为19层，包括16层卷积层、3层全连接层，其中每一组卷积层后接一个maxpooling层，与一般的卷积层和池化层交替堆叠的结构有所不同。图3中“3×3conv，64”表示卷积层中有64个大小为3×3的卷积核，“Size”表示每一次卷积后得到的特征图大小，本网络卷积核全部为3×3大校本文所用网络层数很深，实验证明对于目标跟踪类的问题比其他浅层网络效果更好，本文所用的网络已经通过ImageNet数据集进行预训练。为了证明CNNs高层与低层特征的不同，本文将前期实验中提取了第8层和第16层的特征图做对比，如图4所示，其中图4a）是输入图片（随机选取），图4b）表示卷积第8层输出的特征图（随机选取1张），图4c）表示卷积第16层输出的特征图（随机选取1张）。如图4所示，卷积第8层特征能很好地识别目标的边界信息，可以准确地反映目标的位置变化，而卷积第16层特征反映的是目标的语义特征，对于目标的外观能很好地表达。图3本文卷积神经网络Fig.3Convolutionalneuralnetwork图4卷积第
【参考文献】：
期刊论文
[1]多通道核相关滤波的实时跟踪方法[J]. 胡昭华,邢卫国,何军,张秀再. 计算机应用. 2015(12)
本文编号：3215811
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3215811.html
