结合特征点匹配及深度网络检测的运动跟踪

陈姝; 梁文章

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名

邮箱

手机号码

标题

留言内容

验证码

结合特征点匹配及深度网络检测的运动跟踪

陈姝¹,
梁文章²

详细信息

中图分类号: TP391

Object Tracking by Combining Feature Correspondences Matching with Deep Neural Network Detection

CHEN Shu¹,
LIANG Wen-zhang²

摘要: 通过样本学习得到的目标先验视觉信息可以对目标进行高效表示,在目标跟踪中通过充分利用这些先验知识提高跟踪精度。基于此,提出一种利用离线训练结果进行在线跟踪的算法,首先利用深度神经网络通过样本学习目标的视觉先验,然后跟踪在贝叶斯推理框架下进行,在跟踪过程中将目标视觉先验用作目标的外观表示,跟踪结果由粒子滤波顺序得到。为了防止跟踪漂移,通过特征点匹配建立系统的状态模型,并且将目标分解成子目标进行相似度量,提高算法抗局部遮挡能力。在多个公开测试集上实验表明,该算法可以提高目标跟踪精度,防止跟踪漂移,实现长序列可靠跟踪。
- 深度学习 /
- 特征匹配 /
- 目标跟踪 /
- 粒子滤波 /
- 稀疏编码

[1]	ROSS D, LIM J, LIN R, et al. Incremental learning for robust visual tracking[J]. International Journal of Computer Vision, 2008, 77(1): 125-141.
[2]	ZHANG T, GHANEM B, LIU S, et al. Low-rank sparse learning for robust visual tracking[C]//European Conference on Computer Vision. Firenze, Italy: Springer-Verlag, 2012.
[3]	BAO C, WU Y, LING H, et al. Real time robust L1 tracker using accelerated proximal gradient approach[C]//IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, USA: IEEE, 2012.
[4]	MEI X, LING H. Robust visual tracking using l1 minimization[C]//IEEE International Conference on Computer Vision. Kyoto, Japan: IEEE, 2009.
[5]	WANG Q, CHEN F, YANG J, et al. Transferring visual prior for online object tracking[J]. IEEE Transactions on Image Processing, 2012, 21(7): 3296-3305.
[6]	GRABNER H, GRABNER M, BISCHOF H. Real-time tracking via on-line boosting[C]//British Machine Vision Conference. Edinburgh, UK: Springer-Verlag, 2006.
[7]	BABENKO B, YANG M, BELONGIE S. Robust object tracking with online multiple instance learning[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(8): 1619-1632.
[8]	KRIZHEVSKY A, SUTSKEVER I, HINTON G. ImageNet classification with deep convolutional neural networks[C]//Conference on Neural Information Processing Systems. Lake Tahoe, Nevada: MIT, 2012.
[9]	郑胤, 陈权崎, 章毓晋. 深度学习及其在目标和行为识别中的新进展[J]. 中国图象图形学报, 2014, 19(2): 175-184. ZHENG Yin, CHEN Quan-qi, ZHANG Yu-jin. Deep learning and its new progress in object and behavior recognition[J]. Journal of Image and Graphics, 2014, 19(2): 175-184.
[10]	李帅, 许悦雷, 马时平, 等. 一种深度神经网络SAR遮挡目标识别方法[J]. 西安电子科技大学学报(自然科学版), 2015, 42(3): 170-177. LI Shuai, XU Yue-lei, MA Shi-ping, et al. New method for SAR occluded targets recognition using DNN[J]. Journal of Xidian University, 2015, 42(3): 170-177.
[11]	VINCENT P, LAROCHELLE H, LAJOIE I, et al. Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion[J]. Journal of Machine Learning Research, 2010, 11: 3371-3408.
[12]	ARULAMPALAM M S, MASKELL S, GORDON N. A tutorial on particle filters for online non-linear/non-Gaussian Bayesian tracking[J]. IEEE Transaction on Signal Processing, 2002, 50(1): 174-188.
[13]	KWON J, LEE K. Visual tracking decomposition[C]//IEEE Conference on Computer Vision and Pattern Recognition. San Francisco, USA: IEEE, 2010.
[14]	BABENKO B, YANG M, BELONGIE S. Robust object tracking with online multiple instance learning[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(8): 1619-1632.
[15]	EVERINGHAM M, VAN GOOL L, WILLIAMS C, et al. The Pascal visual object classes (voc) challenge[J]. International Journal of Computer Vision, 2010, 88(2): 303-338.

[1]	郭峰, 陈中舒, 代久双, 吴云峰, 刘军, 张昌华. 基于动态先验特征的包覆药多类型外观缺陷深度检测框架 . 电子科技大学学报, 2023, 52(6): 872-879. doi: 10.12178/1001-0548.2022326
[2]	赵夫群, 戴翀, 耿国华. 基于特征融合的文物碎片模型检索 . 电子科技大学学报, 2021, 50(2): 225-230. doi: 10.12178/1001-0548.2020281
[3]	何凯, 刘坤, 沈成南, 李宸. 基于相似图像配准的图像修复算法 . 电子科技大学学报, 2021, 50(2): 207-213. doi: 10.12178/1001-0548.2020327
[4]	唐贤伦, 刘雨微, 万亚利, 马艺玮. 堆叠稀疏降噪自编码的脑电信号识别 . 电子科技大学学报, 2019, 48(1): 62-67. doi: 10.3969/j.issn.1001-0548.2019.01.011
[5]	龚红, 杨发顺, 丁召. 基于模糊背景加权的Mean Shift目标跟踪算法 . 电子科技大学学报, 2019, 48(3): 402-408. doi: 10.3969/j.issn.1001-0548.2019.03.015
[6]	李润东, 李立忠, 李少谦, 宋熙煜, 何鹏. 基于稀疏滤波神经网络的智能调制识别 . 电子科技大学学报, 2019, 48(2): 161-167. doi: 10.3969/j.issn.1001-0548.2019.02.001
[7]	邓钰, 雷航, 李晓瑜, 林奕欧. 用于目标情感分类的多跳注意力深度模型 . 电子科技大学学报, 2019, 48(5): 759-766. doi: 10.3969/j.issn.1001-0548.2019.05.016
[8]	周瑞, 鲁翔, 卢帅, 李志强, 桑楠. 基于粒子滤波和地图匹配的融合室内定位 . 电子科技大学学报, 2018, 47(3): 415-420. doi: 10.3969/j.issn.1001-0548.2018.03.015
[9]	李彦冬, 雷航, 郝宗波, 唐雪飞. 基于多尺度显著区域特征学习的场景识别 . 电子科技大学学报, 2017, 46(3): 600-605. doi: 10.3969/j.issn.1001-0548.2017.03.020
[10]	王瑞锦, 郭祥, 王佳昊, 秦志光. 无线传感器网络动态轨迹多目标跟踪算法 . 电子科技大学学报, 2016, 45(2): 233-239.
[11]	李伟, 曹洁, 李军, 王进花. 噪声相关粒子滤波算法 . 电子科技大学学报, 2016, 45(3): 436-441. doi: 10.3969/j.issn.1001-0548.2016.02.021
[12]	张民, 贾海涛, 沈震. 基于遗传算法改进的粒子滤波重采样模型 . 电子科技大学学报, 2015, 44(3): 344-349. doi: 10.3969/j.issn.1001-0548.2015.03.005
[13]	季玉龙, 杨光, 戈文一. 基于粒子滤波的目标主动轮廓跟踪算法 . 电子科技大学学报, 2015, 44(1): 91-96. doi: 10.3969/j.issn.1001-0548.2015.01.015
[14]	于振华, 付晓, 王静, 胡正良, 刘宇. 基于声学无线传感器网络的目标跟踪系统研究 . 电子科技大学学报, 2011, 40(4): 568-572. doi: 10.3969/j.issn.1001-0548.2011.04.019
[15]	陈金广, 李洁, 高新波. 等式状态约束下的粒子滤波算法 . 电子科技大学学报, 2011, 40(4): 596-601. doi: 10.3969/j.issn.1001-0548.2011.04.025
[16]	樊玲, 张晓玲. 雷达微弱目标探测的改进检测前跟踪算法 . 电子科技大学学报, 2011, 40(6): 839-843. doi: 10.3969/j.issn.1001-0548.2011.06.006
[17]	屈剑锋, 柴毅, 郭茂耘. 无线传感器网络下的并行粒子滤波目标跟踪算法 . 电子科技大学学报, 2011, 40(2): 231-236. doi: 10.3969/j.issn.1001-0548.2011.02.015
[18]	杜正聪, 唐斌, 刘立新. 粒子滤波的MIMO-OFDM空频分层检测算法 . 电子科技大学学报, 2008, 37(2): 194-197.
[19]	陈涛涛, 田裕鹏. 一种非刚体目标的实时检测与跟踪算法 . 电子科技大学学报, 2007, 36(1): 82-85.
[20]	岑明, 傅承毓, 陈科, 刘兴法. 广义合作目标跟踪的误差空间估计方法 . 电子科技大学学报, 2007, 36(2): 217-219,274.

点击查看大图

计量

文章访问数: 4242
HTML全文浏览量: 136
PDF下载量: 395
被引次数: 0

结合特征点匹配及深度网络检测的运动跟踪

刊出日期: 2016-04-15

中图分类号: TP391

关键词:

摘要: 通过样本学习得到的目标先验视觉信息可以对目标进行高效表示,在目标跟踪中通过充分利用这些先验知识提高跟踪精度。基于此,提出一种利用离线训练结果进行在线跟踪的算法,首先利用深度神经网络通过样本学习目标的视觉先验,然后跟踪在贝叶斯推理框架下进行,在跟踪过程中将目标视觉先验用作目标的外观表示,跟踪结果由粒子滤波顺序得到。为了防止跟踪漂移,通过特征点匹配建立系统的状态模型,并且将目标分解成子目标进行相似度量,提高算法抗局部遮挡能力。在多个公开测试集上实验表明,该算法可以提高目标跟踪精度,防止跟踪漂移,实现长序列可靠跟踪。

全文HTML

参考文献 (15)

留言板

结合特征点匹配及深度网络检测的运动跟踪

Object Tracking by Combining Feature Correspondences Matching with Deep Neural Network Detection

计量

结合特征点匹配及深度网络检测的运动跟踪

English Abstract

Object Tracking by Combining Feature Correspondences Matching with Deep Neural Network Detection

全文HTML

目录

期刊在线

编辑办公

友情链接

留言板

结合特征点匹配及深度网络检测的运动跟踪

Object Tracking by Combining Feature Correspondences Matching with Deep Neural Network Detection

计量

出版历程

结合特征点匹配及深度网络检测的运动跟踪

English Abstract

Object Tracking by Combining Feature Correspondences Matching with Deep Neural Network Detection

全文HTML

目录

期刊在线

编辑办公

友情链接