摘要: 针对正则化滤波器预先定义正则化项,但无法实时抑制非目标区域学习的缺点,提出了一种自适应时空正则化的新方法,从而提高算法在目标跟踪过程中适应外观变化的鲁棒性。首先在目标函数中引入空间局部响应变化量,使滤波器专注于学习对象中值得信任的部分,从而得到响应模型;其次根据全局响应变化决定滤波器的更新率;最后引入卷积神经网络进行深度特征提取,为减少高维数据存储过大,采用主成分分析算法进行降维处理,既保留主要特征又加快计算速度。在数据集OTB2013和OTB2015上的平均精确率和平均成功率相较于时空正则化相关滤波器算法分别提高了4.7%和12.7%。大量实验证明,该算法在复杂背景、物体遮挡、快速运动等多种场景下基本满足实时性需求。
- 关键词:
- 时空自适应 /
- 局部响应 /
- 全局响应 /
- 神经网络 /
- 卷积神经网络 /
- 特征提取 /
- 降维 /
- 主成分分析算法
视觉目标跟踪作为计算机视觉领域的一个重要研究问题[1],结合了数学经典算法[2]、人工智能、目标检测[3]等领域的先进思想,已在现实生活中得到广泛应用。近年来,许多学者在相关滤波的速率和精度方面潜心钻研,更优质高效的算法被广泛认可并加以应用。2010年Bolme等[4]首次将相关滤波(correlation filters, CF)引入目标跟踪,旨在利用相关的概念衡量信号的相似度,将卷积算子由空域转换到频域,提出了最小输出平方和误差滤波跟踪算法(minimum output sum of squared error, MOSSE&#