基于卷积神经网络的响应自适应跟踪

针对目标跟踪中的遮挡、旋转、快速运动、形变等问题,本文提出基于卷积神经网络的响应自适应跟踪算法。首先,通过卷积神经网络提取目标的多层卷积特征,利用粒子滤波算法获取目标的多模板响应图,自适应学习目标的期望响应;然后通过构造目标函数的对偶形式解决多模板联合优化问题,计算多模板情况下每层卷积特征的最优滤波参数;最后通过相关滤波算法计算多层滤波响应,通过响应加权融合的方式计算最终响应图,以此估计目标位置。本文利用OTB-2013数据集中的方法测试我们提出的算法,实验表明该算法的整体成功率和精确度为0.884和0.915。本文算法在距离准确度、成功率和平均跟踪误差方面均优于传统的相关滤波跟踪算法,有一定研究价值。     

基于深度谱卷积神经网络的高效视觉目标跟踪算法

提出了一种基于深度频谱卷积神经网络的视觉目标跟踪算法。该算法在深度模型训练阶段采用谱池化替代深度卷积神经网络中的最大池化过程,用贝叶斯分类器替代softmax损失层计算最大分类值,并将其整合到深度神经网络跟踪框架中,通过新网络计算输入正负样本的概率分布预测目标位置。该算法充分利用谱池化在频域下降维到任意维度且计算高效的优点,克服了最大池化采样造成大量空间信息丢失的不足,提升了计算速度。在权威多场景视频标准测试库上对所提算法进行验证,结果验证了该算法兼顾了效率和跟踪精度,有效提高跟踪器的性能,在相同测试条件下,文中算法性能优于同类对比算法。     

基于卷积神经网络的无人机视觉跟踪系统设计

文章研究了具有云台摄像机(PTZ)的无人机视觉跟踪问题,并设计了能够自动初始化的跟踪系统。该系统首先通过PTZ相机系统拍摄的图像背景,计算包含运动目标的边界;其次,通过卷积神经网络算法决定该边界内是否存在无人机;最后,采用视觉伺服方案调整PTZ参数,使被探测无人机的边界尽可能地延伸到摄像机视场范围内。实验结果表明,文章设计的系统对无人机的快速机动具有较强的鲁棒性。     

基于孪生卷积神经网络的目标跟踪算法研究

传统的目标跟踪算法采用人工特征描述物体特征,这类人工设计的特征不能全面地表达一个物体的特点,在跟踪过程中这些特征点容易受到外界因素的影响,导致跟踪效果不稳定.基于卷积神经网络的目标跟踪算法由于采用卷积神经网络提取物体的深层次特征,这类特征能够模仿人脑描述学习一个物体的深层特征,使得在跟踪中具有较高的稳定性,目标不容易丢...     

基于多层卷积特征的自适应决策融合目标跟踪算法

针对目标快速运动、遮挡等复杂视频场景中目标跟踪鲁棒性差和跟踪精度低的问题,该文提出一种基于多层卷积特征的自适应决策融合目标跟踪算法(ASFTT)。首先提取卷积神经网络(CNN)中帧图像的多层卷积特征,避免网络单层特征表征目标信息不全面的缺陷,增强算法的泛化能力;使用多层特征计算帧图像相关性响应,提高算法的跟踪精度;最后该文使用自适应决策融合算法将所有响应中目标位置决策动态融合以定位目标,融合算法综合考虑生成响应的各跟踪器的历史决策信息和当前决策信息,以保证算法的鲁棒性。采用标准数据集OTB2013对该文算法和6种当前主流跟踪算法进行了仿真对比,结果表明该文算法具有更加优秀的跟踪性能。     

基于正则化卷积神经网络的目标跟踪算法

为了提高目标物体的跟踪鲁棒性和稳定性,文中将L2正则化最小二乘法和卷积神经网络(CNN)相互结合,提出了一种基于正则化卷积神经网络的目标跟踪算法。通过L2跟踪器来评估目标无题被遮挡的程度,利用两层CNN对目标进行目标表示,去除了大部分无关样本,降低了算法的复杂度。实验结果表明,当目标物体发生姿态变化或旋转等剧烈的外观变化时,所提算法具有较强的鲁棒性和稳定性,并且比其他经典的跟踪算法具有更高的精度。     

卷积神经网络与时空上下文结合的目标跟踪算法

本文所提算法是一种卷积神经网络与时空上下文结合的目标跟踪算法.将卷积神经网络算法融入时空上下文算法框架下,使得跟踪系统整体的鲁棒性有显著提高.引入Kalman滤波来处理目标被严重遮挡时,跟踪框容易漂移的问题.此外,整个跟踪系统采取由粗到精的双重目标位置定位方式,由时空上下文算法实现目标初定位,由卷积神经网络进行目标位置的精确定位.经实验验证,算法不仅稳定性和鲁棒性较好,而且实时性的条件也基本满足.     

基于卷积神经网络的鲁棒高精度目标跟踪算法

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.     

基于一种卷积神经网络的目标快速跟踪技术

特定动态目标的快速检测及跟踪,是计算机视觉领域重要的课题。改变特征图在YOLOv3卷积神经网络中的选取位置,通过收集相关网络数据(类似模式分析、统计建模和计算学习视觉对象类别数据集合,即PASCAL Visual Object Classes数据集)构建自定义数据集合进行训练,使用面积的交并比完成辅助类别的联合,构建了能够实时检测特定目标在相关可视对象类检测数据集合上mAP@75达到47.41的检测器。联合卡尔曼滤波和匈牙利算法,通过将面积信息加入到匈牙利算法的代价矩阵中,改善了使用原方法产生大量ID切换(ID switch)的问题。该方法满足快速识别与跟踪的要求,在使用一张NVIDIA GeForce GTX 1060 6GB GPU条件下,平均速度能达到0.109 7 s/帧。     

结合多模板的多域卷积神经网络视觉跟踪算法

为了适应视觉跟踪过程中目标外观变化,提高视觉跟踪算法的鲁棒性,本文基于卷积神经网络(Convolutional Neural Network,CNN)并结合多域学习法与多模板管理,提出一种通过树形结构管理多模板的多域卷积神经网络(Multi-Domain CNNs with Multiple Models in a tree structure)视觉跟踪算法.首先使用大量已标记目标位置的视频数据预训练多域结构的CNN,使CNN卷积层可从图像中提取出适用于跟踪任务的特征.然后在跟踪时中对CNN全连接层进行微调以适应跟踪目标,并使用树形结构管理存储不同时间段的目标模板得到模板树.使用模板树综合评价待检测帧,估计目标位置.最后按照一定规则将新模板添加进模板树,完成模板的更新.实验表明,该算法对跟踪过程中目标外观的变化有着良好的适应性,同时多模板可抑制CNN在跟踪时产生的模板漂移问题.     

基于区域卷积神经网络和光流法的目标跟踪

为解决基于深度学习的在线目标跟踪算法速度慢的问题,设计并实现了一种基于区域卷积网络和光流法相结合的目标跟踪算法。该算法在T-1帧跟踪结果的基础上使用光流法计算跟踪目标的运动矢量计算出跟踪目标在T帧上的初选框,再将初选框区域作为区域卷积网络的输入,计算目标的精确跟踪结果。通过实验分析对比,算法对目标运动速度和形变具有很好的鲁棒性,并且跟踪速度可以达到50 frame/s。相较于在线跟踪算法,所提方法在满足较高的跟踪准确率的基础上大大提升了目标跟踪算法的速度。     

一种易于初始化的类卷积神经网络视觉跟踪算法

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,基于主成分分析(PCA)和卷积神经网络(CNN),提出一种易于初始化的类CNN提取深度特征的视觉跟踪算法。该算法首先利用仿射变换对原始图像进行处理,然后对归一化尺寸的图像进行分层PCA学习,将学习得到的PCA特征向量作为CNN结构中的各阶滤波器,完成特征提取网络的初始化,再利用特征提取网络获取目标的深层次表达。最后结合粒子滤波,利用一个简单的逻辑回归分类器通过分类估计实现目标跟踪。结果表明,利用这种易于初始化的CNN提取到的深度特征能够有效地区分目标和背景,具有很好的可区分性,提出的视觉跟踪算法对光照变化、尺度变化、遮挡、旋转和摄像机抖动等都具有良好的适应性,在许多视频序列上表现出了较好的鲁棒性和准确性。     

基于改进SiamFC的实时目标跟踪算法

针对全卷积孪生神经网络SiamFC在目标跟踪速度以及网络判别能力上有待提升的问题,提出了一种基于改进SiamFC的实时目标跟踪算法.将原网络结构中的第二层卷积层替换为深度可分离卷积,通过减少参数计算量,提高了跟踪速度;为了提高网络判别能力,第三层卷积层使用混合深度卷积,通过不同尺寸的卷积核提取特征,实现多特征融合,提取...     

基于卷积神经网络与视觉显著性的图像融合分析

红外、可见光图像在传统融合当中主要采取手动的形式进行图像的提取,但是无论是方法还是特征都较为单一,并不能够满足当前发展需求。通过深度学习实现图像特征的自动化提取,使传统提取方法得到了丰富与创新,在此过程中要充分利用卷积神经网络,使视觉显著性的图像融合更为全面,在条件随机场的作用下,精确分割图像,以更为显著性的方式对目标进行提取。     

基于图像签名算法的视觉目标跟踪算法北大核心CSCD

针对视觉目标跟踪算法中存在的快速运动、尺度变化、形变和遮挡问题,提出基于图像签名算法的视觉目标跟踪算法。该算法以相关滤波算法为基础,通过多种特征构建目标的外观模型,提高了算法的跟踪精确度和稳健性;为了解决严重遮挡情况下的目标重定位问题,利用图像签名算法计算图像的稀疏显著性区域,获取候选目标的位置,通过分类器对候选目标进行重排名,实现目标重定位;采用尺度池策略和自适应模板更新策略,解决跟踪中的尺度变化问题和跟踪漂移问题。利用标准数据集测试所提算法的性能,结果表明,所提算法在跟踪成功率和精确度上均优于传统的相关滤波算法,能较好地解决快速运动、尺度变化、形变和遮挡情况下的目标跟踪问题。