结合SDAE网络和ODB学习策略的多目标视觉跟踪

摘要：

针对目标视觉跟踪过程发生的目标漂移和错误匹配问题,提出一种基于SDAE(stacked DAE,堆叠去噪自编码器)网络和在线Deep Boost学习(Online Deep Boost,ODB)策略的多目标视觉跟踪算法.该方法首先在SDAE网络上通过ODB方法学习目标的局部-全局特征.然后根据特征权重结合粒子滤波器和soft-max分类器跟踪目标并对其分类,得到目标最相似的状态值.最后引入时间信息得到目标外观的动态持续时间,在线更新模型以适应目标的外观变化.实验表明,该算法能够有效适应目标外观变化,解决目标漂移现象,多目标准确率MOTP达到97.61％,较同类算法提高2.89％,其鲁棒性、稳定性也有所提高.

关键词：SDAE网络、在线DeepBoost学习、计算机视觉、多目标视觉跟踪、外观模型

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：山西省自然科学基金项目2015011041

在线出版日期：2018-01-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：189-192