双特征模型核相关滤波目标跟踪算法

论文摘要

目的基于深度学习的目标跟踪算法,利用卷积深层作为特征,虽然精度高但无法做到实时跟踪;基于相关滤波的跟踪算法,利用HOG（histogram of oriented gridients）、CN（color name）和颜色直方图作为特征,速度快但精度较差。为兼顾目标跟踪算法的实时性与准确性,提出了一种基于双模型核相关滤波算法。方法提出了自适应的双特征模型选择机制,主特征模型采用浅层纹理特征HOG,辅助特征模型采用包含深层语意信息的CNN（convolutional neural networks）特征,二者协同作用,产生更加稳定的相关滤波器。为了提高算法的速度,采用主成分分析（PCA）技术对高维的CNN特征进行降维,并通过尺度优化、最优解求解方式优化等方法提高跟踪算法的准确性。结果在公开数据集OTB-2013上,本文算法与目前先进且速度能达到实时的SiamFC （fully-convolutional Siamese networks）、MEEM （multiple experts using entropy minimization）、SAMF （scale adaptive multiple features）、DSST （discriminative scale space tracking）等跟踪算法进行比较,一次成功率（OPE）结果显示,本文算法在距离精准度指标中综合排名第一,与KCF（kernel correlation filter）算法相比,本文算法的距离精准度提高了25.2%,重叠成功率提高了25.6%,平均速度达到38帧/s。结论本文提出的双模型自适应机制,针对主特征模型的置信响应自适应调用最优模型策略,并且实时更新模型,在综合考虑跟踪准确性和跟踪实时性的情况下,本文提出的目标跟踪算法的性能优于目前的跟踪算法。

论文目录

• 0 引 言
• 1 KCF目标跟踪算法
•   1.1 核空间脊回归求解
•   1.2 快速检测
• 2 算法改进
•   2.1 双模型自适应机制
•     2.1.1 主特征模型
•     2.1.2 辅助特征模型
•   2.2 深度卷积特征降维
•   2.3 尺度优化与最优解迭代
•   2.4 整体算法综合2.12.3节的改进,本文跟踪算法的整体框架图如图2所示,具体步骤为:
• 3 实验验证与分析
•   3.1 实验环境以及初始参数设置
•   3.2 辅助特征模型验证
•   3.3 辅助模型特征深度的验证
•   3.4 算法总体水平评估
• 4 结 论

文章来源

类型: 期刊论文

作者: 孟琭,李诚新

关键词: 目标跟踪,自适应特征,卷积神经网络,相关滤波,主成分分析

来源: 中国图象图形学报 2019年12期

年度: 2019

分类: 信息科技

专业: 无线电电子学,计算机软件及计算机应用

单位: 东北大学信息科学与工程学院

基金: 国家自然科学基金项目(61973058)~~

分类号: TN713;TP391.41

页码: 2183-2199

总页数: 17

文件大小: 19075K

下载量: 194