利用感知模型的长期目标跟踪
目的 传统相关滤波目标跟踪算法存在两个问题,其一,使用循环移位产生的虚假负样本训练分类器,导致分类器分类能力受到限制;其二,当目标被严重遮挡时,由遮挡引起的一些不正确的样本(预测的目标图像)用于更新分类器,随着遮挡时间的增加,分类器将包含较多噪声信息并逐渐失去判别力,使得跟踪失败.针对上述问题,提出一种基于感知模型的长期目标跟踪算法,通过引入背景感知策略解决传统相关滤波器缺乏真实负样本问题,通过引入遮挡感知策略来有效跟踪被遮挡的目标.方法 首先,所提算法通过扩大采样区域,增加所产生训练样本数量,并引入裁剪矩阵,裁取移位后的样本以获得完整有效的样本,同时克服了由循环移位产生样本导致的边界效应问题;然后,利用无遮挡情况下一定帧数目标图像各自对应的分类器构建分类池;最后,在严重遮挡情况下利用最小化能量函数从分类池中选择最佳分类器进行重检测,以实现长期目标跟踪.结果 使用公开数据集对所提算法进行性能评估,结果表明,所提算法成功率为0.990,精确度为0.988.其较背景感知相关滤波(BACF)算法分别提升2.7%和2.5%.结论 所提算法在目标被遮挡、形变、尺度变化以及复杂背景下仍能较准确跟踪目标,具备较高的精确度和鲁棒性.
目标跟踪、循环卷积、背景感知、严重遮挡、分类池
24
TP391(计算技术、计算机技术)
国家自然科学基金青年科学基金项目41604117;教育部产学合作协同育人项目201801097009
2019-12-11(万方平台首次上网日期,不代表论文的发表时间)
共12页
1906-1917