积分商城

最新搜索： 4g dtu mbedded DisplayPort (eDP) Proposal v1.5 51单片机自学笔记 TI老工程师如 蓝牙 杰理蓝牙AC6973 SDK
您现在的位置是：首页 > 技术资料 > 基于卷积神经网络的鲁棒高精度目标跟踪算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于卷积神经网络的鲁棒高精度目标跟踪算法

更新时间：2019-12-24 19:17:53 大小：921K 上传用户：守着阳光1985查看TA发布的资源 标签：卷积神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

目标跟踪是计算机视觉中重要的研究领域之一.为了跟踪复杂场景中外观变化剧烈的目标,本文提出了一种基于卷积神经网络的目标跟踪算法.算法中的网络模型结构包括预训练的特征提取层和自适应更新的分类器层.在开始跟踪前,首先训练全连接层和分类器层的参数,以及目标的特征与位置之间的线性关系.其次,定义了评估跟踪结果可信度的标准.如果得到的跟踪结果的可信度较高,则根据跟踪结果的特征调整位置,提高跟踪结果的精确度.最后,在训练网络时,每次迭代都选择分类器得分的最高的负样本参与训练.该策略可以提高模型的分辨能力.在OTB50测试集中的实验结果表明,我们的算法取得了良好的跟踪结果.


部分文件列表

文件名 大小
基于卷积神经网络的鲁棒高精度目标跟踪算法.pdf 921K

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
9
Vol． 46 No． 9  
Sep． 2018  
第
期
电
子
学
报
2018  
9
ACTA ELECTRONICA SINICA  
年
月
基于卷积神经网络的鲁棒高精度  
目标跟踪算法  
，
，
，
李 康 李亚敏 胡学敏 邵 芳  
(
，
430062)  
湖北大学计算机与信息工程学院 湖北武汉  
:
．
，
摘
要
目标跟踪是计算机视觉中重要的研究领域之一 为了跟踪复杂场景中外观变化剧烈的目标 本文提出  
．
了一种基于卷积神经网络的目标跟踪算法 算法中的网络模型结构包括预训练的特征提取层和自适应更新的分类器  
．
，
，
．
层 在开始跟踪前 首先训练全连接层和分类器层的参数 以及目标的特征与位置之间的线性关系 其次 定义了评估  
，
．
，
，
跟踪结果可信度的标准 如果得到的跟踪结果的可信度较高 则根据跟踪结果的特征调整位置 提高跟踪结果的精确  
．
，
，
．
度 最后 在训练网络时 每次迭代都选择分类器得分的最高的负样本参与训练 该策略可以提高模型的分辨能力 在  
．
OTB50  
，
测试集中的实验结果表明 我们的算法取得了良好的跟踪结果  
．
:
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
目标跟踪 神经网络 计算机视觉 机器学习  
:
TP391. 41  
:
A
:
0372-2112 ( 2018) 09-2087-07  
文献标识码  
文章编号  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 09． 007  
电子学报  
A Robust and Accurate Object Tracking Algorithm Based on  
Convolutional Neural Network  
LI Kang，LI Ya-min，HU Xue-min，SHAO Fang  
( School of Computer Science and Information Engineering，Hubei University，Wuhan，Hubei 430062，China)  
Abstract: Object tracking is one of the most important area of computer vision． In order to track the object whose ap-  
pearance changes dramatically in complex scene，we propose a tracking algorithm based on the convolutional neural net-  
work． The network of our tracker has two parts: the feature extraction layer and the adaptive classifier layer． At the begin-  
ning，we train a fully-connected layer，a softmax layer and the linear relationship between feature and position of these sam-  
ples． Next，we define a reliability of the tracking result． If the result is reliable，we will adjust the result location according to  
its features． Finally，in the network training process，we select the negative samples with max classifying scores in each itera-  
tion． The strategy could improve distinguishability of our tracker． Experiments on OTB50 show that our tracker could achieve  
state-of-the-art performance．  
Key words: object tracking; neural network; computer vision; machine learning  
，
性 开发出鲁棒的目标跟踪算法仍然是一项具有挑战  
1
引言  
．
性的研究课题  
．
目标跟踪是计算机视觉中重要的研究领域之一  
，
基于检测的目标跟踪算法可以分为特征提取 外  
，
它研究的是仅给出目标在场景中的初始位置 设计算  
，
．
观模型 运动模型和模型更新步骤 其中特征提取步骤  
法跟踪场景中目标的问题［1 ～ 3］ 目标跟踪在实时监控  
．
，
，
［16］  
最为重要 文献 指出如果选择的特征具备很好的  
，
视频分析 运动捕捉和游戏娱乐等领域有着广泛的应  
，
分辨能力 那么仅仅使用简单的外观模型也能够取得  
［4 ～ 15］  
，
用 是计算机视觉领域最为活跃的研究方向之一  
．
．
较好的跟踪效果 近年来 使用卷积神经网络提取的抽  
，
象特征［8］和基于  
特征的目标跟踪算法［10］取得了  
，
，
近年来 有大量的跟踪算法被开发了出来 但是由于跟  
HOG  
，
踪目标信息的不足 以及跟踪环境和目标变化的复杂  
．
良好的跟踪效果  
: 2017-06-30;  
: 2017-09-08; :  
责任编辑 覃怀银  
收稿日期  
修回日期  
:
( No． 2017CFB305)  
基金项目 湖北省自然科学基金  
2088  
2018  
电
子
学
报
年
、
，
为了应对跟踪中遇到的遮挡 形变等问题 本研究  
用支持向量机作为分类器对跟踪中的目标和背景进行  
CNNSVM  
，
在基于卷积神经网络提取特征的基础上 设计了一种  
，
．
分类 达到了先进的跟踪效果 本研究在  
的基  
，
，
目标跟踪算法 并结合一系列策略进一步提高跟踪结  
础上 使用离线训练的卷积神经网络模型作为特征提  
．
，
softmax  
．
果的鲁棒性  
取层 在卷积层后加上  
层作为分类器进行训练  
，
， softmax  
层
在跟踪过程中 特征提取层参数保持不变 而  
2
相关工作  
．
则根据跟踪到的目标自适应更新  
2． 1  
基于检测的目标跟踪框架  
3
基于卷积神经网络的目标跟踪算法  
基于检测的目标跟踪是一种常用的目标跟踪框  
，
．
3． 1  
架 它描述了跟踪步骤中的运动模型 本算法在跟踪一  
网络结构  
本研究所使用的卷积神经网络结构如图 所示 其  
C1 ～ C4 “@ ”  
，P1 ～ P2  
:
1
，
帧目标时主要包括以下步骤  
( 1)  
*
t
假设已经得到第 帧的目标位置  
x ，  
在目标位  
，
表示池化层 符号  
中
表示卷积层  
t
，
，
置周围采集正样本 在远离目标的周围采集负样本 将  
，“@ ”  
前的数字表示该层特征图的层数 后的数字表示特  
+
．
，f  
，
表示网络预测输入样本为目标的概率  
这些样本送入分类器进行训练  
( 2) t + 1  
征图的尺寸  
－
s
，
t
进入第  
域内采集若干候选样本  
( 3)  
帧后 在第 帧目标位置的附近区  
f
(
)
．
表示网络预测输入样本为非目标 背景 的概率 在网  
s
．
，C1 ～ C3 VGG-M  
络中  
层的网络参数使用预训练的  
; C4  
网络  
softmax  
层
，
将候选样本输入训练的模型中 模型输出每个  
，
层 这些参数在跟踪过程中保持不变  
层和  
，
候选样本成为目标的概率值 最后选择概率最大候选  
，
的参数使用跟踪序列的数据训练 并且在跟踪过程中保  
t + 1  
．
帧的目标 跟踪系统重复以上步骤直  
样本作为第  
到跟踪完成  
2． 2  
．
持更新以适应目标在跟踪过程中的外观变化 从实现的  
．
，C1  
C3  
，C4  
层
角度来看  
层至  
层为训练的分类器层 如图 所示  
3 ×3  
层可以看做是特征提取层  
卷积神经网络  
softmax  
．
1
，C3  
和
层输出  
，
近年来 卷积神经网络在计算机视觉的各个研究  
，
512  
．
个 将  
的特征图大小为  
这些特征图拉伸成  
( Rectified Linear Units)  
个像素 特征图的个数是  
．
领域展现了优异的性能 尤其是与目标跟踪紧密相关  
3 ×3 × 512  
，
维的向量 然后通过  
ReLU  
，
的目标检测和目标识别方向 基于卷积神经网络的算  
法均取得优秀的结果［17，18］ 文献  
使用卷积神经网  
C4 ． C4  
层
激活函数后送入  
层为  
．
［19］  
，
全连接层 共有  
512  
． C4 softmax  
个神经元  
层共有两个输出神经元 它们输出  
f ( x) ．  
层到  
层也是全  
，
．
络离线训练模型 取得了较好的跟踪效果 但是由于它  
，
softmax  
，
连接的 其中  
+
－
，
训练的样本只属于一个类别 所以只能够跟踪特定种  
f ( x)  
，
在输入层中 所有的样本被归一  
的值为  
和
s
s
［8］从大规模数据集  
107 ×107  
，
大小 单位为像素  
．
，
类的目标 例如跟踪行人  
． CNNSVM  
化为  
，
中预训练出卷积神经网络模型用于提取特征 然后使  
C4  
sofmax  
，
层的训练 则跟  
， “  
在估计出当前的目标位置后 我们定义了一个 可  
假设已经完成了对  
层和  
:
踪新的一帧目标的步骤如下 在跟踪过程进入到第  
t
帧
” ．  
信度 的概念来判断该估计出的目标结果是否可信 由  
*
，
时 根据目标在第  
t － 1  
x
，
t
帧的位置  
在第 帧图像周  
*
( 1) ， softmax  
可以看出 由于判断目标的标准是根据  
式
t － 1  
S° ，  
t
x
围采集候选样本集  
表示为  
则目标在第 帧的位置  
可以  
，
层预测候选样本为目标的概率值 值越大则候选样本  
*
t
t
．
为目标的概率越高 假设某一帧估计出的目标为  
*
x ，  
可
*
x
= argmaxH( x)  
( 1)  
t
H( x )  
， ，  
越大 则该帧的跟踪结果越可信 否  
以推断出  
则跟踪结果很可能在该帧中发生了漂移 即估计出的  
*
x
S°  
t
∈
+
，
，H( x) = f ( x)  
softmax  
其中  
为
层中预测输入样本为目  
s
x
．
，
，
*
标概率 上标 号表示该样本是被估计出的目标  
．
目标 可能是不准确的 在接下来论文中 我们定义如  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号