DCNN深度特征与交替方向乘子的相关滤波跟踪

摘要：

针对采用相关滤波的判别式目标跟踪遇到的瓶颈问题:由于目标快速移动引起边界效应,使得相关滤波器在学习与更新过程中可能会引入错误,最终错误的累积将导致跟踪失败.在采集深度学习特征与样本相似性度量的基础上,提出一种引入交替方向乘子方法的改进相关滤波目标跟踪算法,选择DCNN深度特征有效地表征待跟踪目标的初始状态,通过在线分类过程中样本相似性比对与半监督学习,辅助解决相关滤波器在学习过程中存在的自学习问题.所提目标跟踪算法特别适合训练样本为持续获得的、同时存储空间较小的机器学习过程,提高目标在快速运动与部分遮挡等复杂情况下的跟踪成功率,针对VOT2016标准测试视频的实验表明:当目标面临快速运动时,对比CN、SAMF、STC算法,所提DA-CFT跟踪算法将跟踪成功率分别由60.4％～73.4％、67.2％～82.9％、80.9％～88.1％提升至85.6％～91.0％.

关键词：目标跟踪、相关滤波器、边界效应、深度特征、交替方向乘子、样本相似性

所属期刊栏目：55

分类号：TP391.4(计算技术、计算机技术)

资助基金：金陵科技学院高层次人才科研启动项目jit-rcyj-201508;国家自然科学基金61375121;南京市经信委项目;南京市科委重大项目201704002;南京智能交通创新中心资助

在线出版日期：2019-05-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：157-163