首页 > 论文 > 光学学报 > 37卷 > 3期(pp:315002--1)

基于自适应卷积特征的目标跟踪算法

Visual Tracking Algorithm Based on Adaptive Convolutional Features

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

针对空间正则化相关滤波(SRDCF)跟踪算法在目标跟踪中旋转变化、超出视野和严重遮挡情况下存在跟踪失败的问题, 提出了一种基于自适应卷积特征的目标跟踪算法。对VGG-Net模型中conv3-4层卷积特征进行主成分分析, 利用自适应降维技术将conv3-4层特征维数由256维降至130维。在检测区域求取分类器最大响应位置及其目标尺度信息, 并对最大响应位置的目标进行置信度比较, 训练在线支持向量机(SVM)分类器, 以便在跟踪失败的情况下, 重新检测到目标而实现长期跟踪。计算跟踪位置的峰旁比, 选取可靠跟踪结果, 更新模型。采用OTB-2015评估基准的100组视频序列进行测试, 并与38种跟踪方法进行对比, 验证了本文算法的有效性。实验结果表明:本文算法跟踪精度为0。804, 成功率为0。607, 排名第一, 与SRDCF算法相比, 两者分别提高了1。9%和1。5%。针对目标发生旋转变化、超出视野和严重遮挡等复杂情况, 本文算法均具有较强的稳健性。

Abstract

Focusing on the issue that spatially regularized discriminative correlation filter (SRDCF) tracking algorithm has poor performance in handling rotation, out of view and heavy occlusion, we propose a visual tracking approach based on adaptive convolutional features. First, based on the principal component analysis of conv3-4 layer features in the VGG-NET model, the dimension of conv3-4 layer features is reduced from 256 to 130 by adaptive dimension reduction technique. Then, we maximize classifier score in the detection area and get the location and scale of target. In order to redetect the target in the case of tracking failure and achieve long-term tracking, we compare the confidence of the location with maximum score and train an online support vector machine (SVM) classifier. Finally, the tracking model is updated by the reliable tracking results which are determined by peak-to-sidelobe ratio. To verify the feasibility of the proposed algorithm, the results are compared with those obtained by thirty-eight kinds of tracking algorithms in one hundred video sequences of OTB-2015 benchmark. Experimental results indicate that the precision and success rate are respectively 0.804 and 0.607. The proposed approach has a ranking of one. Compared with SRDCF tracking algorithm, the proposed approach improves the precision and the success rate by 1.9% and 1.5%, respectively. In addition, the proposed approach is robust for rotation, out of view, heavy occlusion and other complex scenes.

补充资料

中图分类号:TP391

DOI:

所属栏目:机器视觉

基金项目:国家自然科学基金(61203076)、天津市自然科学基金(13JCQNJC03500)

收稿日期:2016-09-18

修改稿日期:2016-10-29

网络出版日期:--

作者单位    点击查看

蔡玉柱:河北工业大学控制科学与工程学院, 天津 300130
杨德东:河北工业大学控制科学与工程学院, 天津 300130
毛宁:河北工业大学控制科学与工程学院, 天津 300130
杨福才:河北工业大学控制科学与工程学院, 天津 300130

联系人作者:蔡玉柱(caiyuzhu001@sina.com)

备注:蔡玉柱(1990-),男, 硕士研究生, 主要从事视觉目标跟踪方面的研究。

【1】Smeulders A W M, Chu D M, Cucchiara R, et al。 Visual tracking: An experimental survey[J]。 IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(7): 1442-1468。

【2】Ross D A, Lim J, Lin R S, et al. Incremental learning for robust visual tracking[J]. International Journal of Computer Vision, 2008, 77(1): 125-141.

【3】Kwon J, Lee K M. Visual tracking decomposition[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2010: 1269-1276.

【4】Liu Wei, Zhao Wenjie, Li Cheng, et al. Long-term visual tracking based on spatio-temporal context[J]. Acta Optica Sinica, 2016, 36(1): 0115001.
刘 威, 赵文杰, 李 成. 时空上下文学习长时目标跟踪[J]. 光学学报, 2016, 36(1): 0115001.

【5】Liu Wei, Zhao Wenjie, Li Cheng, et al. An online learning visual tracking method based on compressive sensing[J]. Acta Optica Sinica, 2015, 35(9): 0915001.
刘 威, 赵文杰, 李 成. 一种基于压缩感知的在线学习跟踪算法[J]. 光学学报, 2015, 35(9): 0915001.

【6】Hare S, Saffaria A, Torr P H S, et al. Struck: Structured output tracking with kernels[C]. IEEE International Conference on Computer Vision, 2011: 12490885.

【7】Gao J, Ling H, Hu W, et al. Transfer learning based visual tracking with Gaussian processes regression[C]. European Conference on Computer Vision, 2014: 188-203.

【8】Kalal Z, Mikolajczyk K, Matas J, et al. Tracking-learning-detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(7): 1409-1422.

【9】Henriques J F, Caseiro R, Martins P, et al。 High-speed tracking with kernelized correlation filters[J]。 IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3): 583-596。

【10】Li Y, Zhu J. A scale adaptive kernel correlation filter tracker with feature integration[C]. European Conference on Computer Vision, 2014: 254-265.

【11】Dalal N, Triggs B。 Histograms of oriented gradients for human detection[C]。 IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR), 2005: 886-893。

【12】Ma C, Yang X, Zhang C, et al. Long-term correlation tracking[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2015: 5388-5396.

【13】Pan Zhenfu, Zhu Yongli. Kernelized correlation filters object tracking method with multi-scale estimation[J]. Laser & Optoelectronics Progress, 2016, 53(10): 101501.
潘振福, 朱永利. 多尺度估计的核相关滤波器目标跟踪方法[J]. 激光与光电子学进展, 2016, 53(10): 101501.

【14】Zhang Jianwei. High-precision extended object tracking based on region feature matching[J]. Laser & Optoelectronics Progress, 2015, 52(5): 051004.
张建伟. 基于区域特征匹配的扩展目标高精度跟踪[J]. 激光与光电子学进展, 2015, 52(5): 051004.

【15】Galoogahi H K, Sim T, Lucey S. Correlation filters with limited boundaries[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2015: 4630-4638.

【16】Danelljan M, Hger G, Khan F, et al. Learning spatially regularized correlation filters for visual tracking[C]. IEEE International Conference on Computer Vision, 2015: 3074-3082.

【17】Wu Y, Lim J, Yang M H, et al. Object tracking benchmark[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1834-1848.

【18】Simonyan K, Zisserman A。 Very deep convolutional networks for large-scale image recognition[C/OL]。 arXiv: 1409。1556, 2014。 [2016-08-20]。 https: ∥arxiv。org/pdf/1409。1556v6。pdf。

【19】Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]. Advances in Neural Information Processing Systems, 2012: 1097-1105.

【20】Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2014: 580-587.

【21】Jia Y, Shelhamer E, Donahue J, et al。 Caffe: Convolutional architecture for fast feature embedding[C]。 Proceedings of the 22nd ACM International Conference on Multimedia, 2014: 675-678。

【22】Cimpoi M, Maji S, Vedaldi A。 Deep convolutional filter banks for texture recognition and segmentation[J/OL]。 arXiv preprint arXiv: 1411。6836, 2014。 [2016-08-20]。 https: ∥arxiv。org/pdf/1411。6836v2。pdf。

【23】Bolme D S, Beveridge J R, Draper B A, et al. Visual object tracking using adaptivess correlation filters[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2010: 2544-2550.

引用该论文

Cai Yuzhu,Yang Dedong,Mao Ning,Yang Fucai. Visual Tracking Algorithm Based on Adaptive Convolutional Features[J]. Acta Optica Sinica, 2017, 37(3): 0315002

蔡玉柱,杨德东,毛宁,杨福才. 基于自适应卷积特征的目标跟踪算法[J]. 光学学报, 2017, 37(3): 0315002

被引情况

【1】张博,龙慧. 基于图像签名算法的视觉目标跟踪算法. 激光与光电子学进展, 2017, 54(9): 91504--1

【2】蔺素珍,郑瑶,禄晓飞,曾建潮. 基于多域卷积神经网络与自回归模型的空中小目标自适应跟踪方法. 光学学报, 2017, 37(12): 1215006--1

【3】李聪,鹿存跃,赵珣,章宝民,王红雨. 特征融合的尺度自适应相关滤波跟踪算法. 光学学报, 2018, 38(5): 515001--1

【4】冯小雨,梅卫,胡大帅. 基于改进Faster R-CNN的空中目标检测. 光学学报, 2018, 38(6): 615004--1

【5】熊昌镇,车满强,王润玲,卢颜. 融合峰旁比和帧差均值自适应模型更新的视觉跟踪. 光子学报, 2018, 47(9): 910001--1

【6】熊昌镇,车满强,王润玲,卢颜. 稳健的双模型自适应切换实时跟踪算法. 光学学报, 2018, 38(10): 1015002--1

【7】曹宇剑,徐国明,史国川. 基于旋转不变Faster R-CNN的低空装甲目标检测. 激光与光电子学进展, 2018, 55(10): 101501--1

【8】刘大千,刘万军,费博雯. 基于定位-分类-匹配模型的目标跟踪方法. 光学学报, 2018, 38(11): 1115003--1

【9】葛宝义,左宪章,胡永江. 基于特征融合的长时目标跟踪算法. 光学学报, 2018, 38(11): 1115002--1

【10】孙晓霞,庞春江. 基于全卷积对称网络的目标尺度自适应追踪. 激光与光电子学进展, 2019, 56(1): 11502--1

【11】单倩文,郑新波,何小海,滕奇志,吴晓红. 基于改进多尺度特征图的目标快速检测与识别算法. 激光与光电子学进展, 2019, 56(2): 21002--1

【12】杨剑锋,张建鹏. 基于核相关滤波的长时间目标跟踪. 激光与光电子学进展, 2019, 56(2): 21502--1

【13】虞跃洋,史泽林,刘云鹏. 基于前景感知的时空相关滤波跟踪算法. 激光与光电子学进展, 2019, 56(22): 221503--1

【14】乔婷,苏寒松,刘高华,王萌. 基于改进的特征提取网络的目标检测算法. 激光与光电子学进展, 2019, 56(23): 231008--1

【15】崔洲涓,安军社,崔天舒. 基于多层深度卷积特征的抗遮挡实时跟踪算法. 光学学报, 2019, 39(7): 715002--1

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF

千禧彩票手机app下载 3000万彩票计划群 迅雷彩票计划群 内蒙古快3计划 极速赛车软件下载 全迅彩票计划群 e乐彩票计划群 98彩票计划群 彩98彩票计划群 广西快3