结合定向扰动和HOG特征的卷积神经网络目标跟踪
基于深度学习的目标跟踪中, 针对当目标发生快速移动、摄像机偏移、目标丢失时会严重影响跟踪器的精度、稳定性和成功率的问题, 提出定向扰动算法. 利用卷积神经网络可以定位的特点. 改变粒子滤波器的扰动中心;定向扰动采样; 使得候选样本更加接近真实位置, 加速目标找回, 防止目标丢失, 进而提升跟踪器的精度和成功率.在决策阶段, 先得到定位热点图; 再提取前后帧目标 HOG 特征; 最后计算相似度找到最优解. 在加入 HOG 特征后,跟踪器可以适应更多的复杂场景, 提升了跟踪器的鲁棒性. 在obt-13基准数据库上, 与FCNT, MEEM等算法进行实验的结果表明, 在资源占用量很小的情况下, 文中算法能有效地提升跟踪的精度、成功率以及鲁棒性, 可以更好地应用于实际场景, 并可扩展到其他跟踪器中.
目标跟踪、卷积神经网络、粒子滤波器、HOG特征
31
TP391.41(计算技术、计算机技术)
2019-10-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
1802-1808