| 引入再检测机制的孪生神经网络目标跟踪 |
| |
| 引用本文： | 梁浩,刘克俭,刘康,刘岩俊,陈小林.引入再检测机制的孪生神经网络目标跟踪[J].光学精密工程,2019,27(7):1621-1631. |
| |
| 作者姓名： | 梁浩 刘克俭 刘康 刘岩俊 陈小林 |
| |
| 作者单位： | 中国科学院 长春光学精密机械与物理研究所,吉林 长春 130033;中国科学院大学,北京 100049;中国人民公安大学,北京,100038;中国科学院 长春光学精密机械与物理研究所,吉林 长春,130033 |
| |
| 基金项目： | 国家重点研发计划;长春市科技发展计划 |
| |
| 摘 要： | 针对全卷积孪生神经网络SiamFC在目标快速运动、相似干扰较多等复杂场景下跟踪能力不足的问题,本文引入SINT作为再检测网络对SiamFC进行了改进。本文算法在跟踪响应图出现较多波峰时,启用精确度更高的再检测网络对波峰位置进行重新判定。同时,本文采用了生成式模型构建模板来适应目标的各种变化,以及高置信度的模型更新策略来防止每帧更新可能对模板带来的污染。在OTB2013上对算法性能进行了测试,并选取了9个主流的目标跟踪算法进行对比,本文算法的跟踪精确度达到了88.8%,排名第一,成功率达到了63.2%,排名第二,相比SiamFC有很大地提升。对不同视频序列的分析结果表明,本文算法在目标快速运动、严重遮挡、背景杂波、光照变化和长期跟踪等场景下具有较强的准确性和鲁棒性。
|
| 关 键 词： | 目标跟踪 孪生神经网络 再检测 生成式模型 高置信度更新 |
Siamese network tracking with redetection mechanism |
| |
| LIANG Hao,LIU Ke-jian,LIU Kang,LIU Yan-jun,CHEN Xiao-lin.Siamese network tracking with redetection mechanism[J].Optics and Precision Engineering,2019,27(7):1621-1631. |
| |
| Authors: | LIANG Hao LIU Ke-jian LIU Kang LIU Yan-jun CHEN Xiao-lin |
| |
| Affiliation: | (Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China;University of Chinese Academy of Sciences, Beijing 100049, China;Remote Sensing Center, People′s Public Security University of China, Beijing 100038, China) |
| |
| Abstract: | LIANG Hao;LIU Ke-jian;LIU Kang;LIU Yan-jun;CHEN Xiao-lin(Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China;University of Chinese Academy of Sciences, Beijing 100049, China;Remote Sensing Center, People′s Public Security University of China, Beijing 100038, China) |
| |
| Keywords: | object tracking siamese network redetection generative model high-confidence update |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
|
