現(xiàn)有的目標(biāo)跟蹤算法大多采用傳統(tǒng)的手工特征或神經(jīng)網(wǎng)絡(luò)的某一層特征描述目標(biāo)的外觀,不利于跟蹤,文中提出一種基于多層深度特征的自適應(yīng)更新目標(biāo)跟蹤算法。采用經(jīng)過(guò)預(yù)訓(xùn)練的深層卷積神經(jīng)網(wǎng)絡(luò)分別提取低層和高層信息用以描述目標(biāo)的空間特征和語(yǔ)義特征,通過(guò)對(duì)兩層特征信息的學(xué)習(xí)得到兩個(gè)濾波模板,對(duì)應(yīng)求得兩個(gè)濾波響應(yīng),這兩個(gè)濾波響應(yīng)以不同的權(quán)重決定最后的跟蹤結(jié)果。算法中還設(shè)計(jì)了對(duì)目標(biāo)外觀模型和濾波模板的自適應(yīng)更新方案,能更好地適應(yīng)目標(biāo)的外觀變化以及遮擋問(wèn)題。采用多層深度特征描述目標(biāo)外觀,并且利用提取的特征訓(xùn)練兩個(gè)濾波模板,求濾波響應(yīng)時(shí)采用核相關(guān)的方法,增強(qiáng)了跟蹤結(jié)果的準(zhǔn)確性并加快了跟蹤的速度。實(shí)驗(yàn)結(jié)果表明,所提算法與現(xiàn)有跟蹤算法相比,可以更好地應(yīng)對(duì)多種挑戰(zhàn)因素,跟蹤速度也完全能滿足實(shí)時(shí)跟蹤任務(wù)的需求。 

【文章來(lái)源】：現(xiàn)代電子技術(shù). 2019,42(01)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

本文算法流程圖Fig.1Flowchartofthealgorithm2基于多層深度特征的跟蹤

相關(guān)可表示為：Kxz=F-1(X⊙Z)（4）其中X和Z都是頻域表示。此時(shí)式（2）變?yōu)椋簑=yKxx+λ（5）濾波響應(yīng)為：f=Kxz⊙w（6）最后將f(m,n)的峰值位置p(m,n)作為跟蹤結(jié)果，有：p(m,n)=argmaxm,n(f(m,n))（7）式中m，n表示像素點(diǎn)位置。2.2本文卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)總體上分為特征提取部分、全連接層和輸出層。特征提取部分是卷積神經(jīng)網(wǎng)絡(luò)的核心，如圖2所示，特征提取部分由卷積層和池化層交替堆疊而成。卷積層通過(guò)卷積核（圖2中已標(biāo)出）與目標(biāo)圖像做卷積計(jì)算，從而獲取特征圖，卷積核大小是實(shí)驗(yàn)中訓(xùn)練優(yōu)化得到的。池化層（如圖2中的maxpooling層）其實(shí)就是降采樣作用，得到分辨率較低的圖像，目的是獲取一定的位移不變性，提高圖像識(shí)別的魯棒性。通常的做法是取一定鄰域內(nèi)像素的平均值或最大值，如圖2所示，也是通過(guò)優(yōu)化的卷積核運(yùn)算實(shí)現(xiàn)的。經(jīng)過(guò)特征提取層后，得到的多個(gè)特征圖構(gòu)成特征向量后通過(guò)全連接層與最終的輸出層相連。圖2卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.2Basicstructureofconvolutionalneuralnetwork本文所用CNNs如圖3所示，該網(wǎng)絡(luò)設(shè)計(jì)為19層，包括16層卷積層、3層全連接層，其中每一組卷積層后接一個(gè)maxpooling層，與一般的卷積層和池化層交替堆疊的結(jié)構(gòu)有所不同。圖3中“3×3conv，64”表示卷積層中有64個(gè)大小為3×3的卷積核，“Size”表示每一次卷積后得到的特征圖大小，本網(wǎng)絡(luò)卷積核全部為3×3大校本文所用網(wǎng)絡(luò)層數(shù)很深，實(shí)驗(yàn)證明對(duì)于目標(biāo)跟蹤類的問(wèn)題比其他淺層網(wǎng)絡(luò)效?

中已標(biāo)出）與目標(biāo)圖像做卷積計(jì)算，從而獲取特征圖，卷積核大小是實(shí)驗(yàn)中訓(xùn)練優(yōu)化得到的。池化層（如圖2中的maxpooling層）其實(shí)就是降采樣作用，得到分辨率較低的圖像，目的是獲取一定的位移不變性，提高圖像識(shí)別的魯棒性。通常的做法是取一定鄰域內(nèi)像素的平均值或最大值，如圖2所示，也是通過(guò)優(yōu)化的卷積核運(yùn)算實(shí)現(xiàn)的。經(jīng)過(guò)特征提取層后，得到的多個(gè)特征圖構(gòu)成特征向量后通過(guò)全連接層與最終的輸出層相連。圖2卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.2Basicstructureofconvolutionalneuralnetwork本文所用CNNs如圖3所示，該網(wǎng)絡(luò)設(shè)計(jì)為19層，包括16層卷積層、3層全連接層，其中每一組卷積層后接一個(gè)maxpooling層，與一般的卷積層和池化層交替堆疊的結(jié)構(gòu)有所不同。圖3中“3×3conv，64”表示卷積層中有64個(gè)大小為3×3的卷積核，“Size”表示每一次卷積后得到的特征圖大小，本網(wǎng)絡(luò)卷積核全部為3×3大校本文所用網(wǎng)絡(luò)層數(shù)很深，實(shí)驗(yàn)證明對(duì)于目標(biāo)跟蹤類的問(wèn)題比其他淺層網(wǎng)絡(luò)效果更好，本文所用的網(wǎng)絡(luò)已經(jīng)通過(guò)ImageNet數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練。為了證明CNNs高層與低層特征的不同，本文將前期實(shí)驗(yàn)中提取了第8層和第16層的特征圖做對(duì)比，如圖4所示，其中圖4a）是輸入圖片（隨機(jī)選�。瑘D4b）表示卷積第8層輸出的特征圖（隨機(jī)選取1張），圖4c）表示卷積第16層輸出的特征圖（隨機(jī)選取1張）。如圖4所示，卷積第8層特征能很好地識(shí)別目標(biāo)的邊界信息，可以準(zhǔn)確地反映目標(biāo)的位置變化，而卷積第16層特征反映的是目標(biāo)的語(yǔ)義特征，對(duì)于目標(biāo)的外觀能很好地表達(dá)。圖3本文卷積神經(jīng)網(wǎng)絡(luò)Fig.3Convolutionalneuralnetwork圖4卷積第

【參考文獻(xiàn)】：
期刊論文
[1]多通道核相關(guān)濾波的實(shí)時(shí)跟蹤方法[J]. 胡昭華,邢衛(wèi)國(guó),何軍,張秀再.  計(jì)算機(jī)應(yīng)用. 2015(12)



本文編號(hào)：3215811