基于深度特征表达与学习的视觉跟踪算法研究

被引：29

作者：

李寰宇 ^{[1
,2
]}

毕笃彦 ^{[1
]}

杨源 ^{[2
]}

查宇飞 ^{[1
]}

覃兵 ^{[1
]}

张立朝 ^{[1
]}

机构：

[1] 空军工程大学航空航天工程学院

[2] 空军工程大学空管领航学院

来源：

电子与信息学报 | 2015年 / 37卷 / 09期

关键词：

视觉跟踪; 深度学习; 主成分分析; 卷积神经网络; 粒子滤波;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,将深度学习引入视觉跟踪领域,提出一种基于多层卷积滤波特征的目标跟踪算法。该算法利用分层学习得到的主成分分析(PCA)特征向量,对原始图像进行多层卷积滤波,从而提取出图像更深层次的抽象表达,然后利用巴氏距离进行特征相似度匹配估计,进而结合粒子滤波算法实现目标跟踪。结果表明,这种多层卷积滤波提取到的特征能够更好地表达目标,所提跟踪算法对光照变化、遮挡、异面旋转、摄像机抖动都具有很好的不变性,对平面内旋转也具有一定的不变性,在具有此类特点的视频序列上表现出非常好的鲁棒性。

引用

页码：2033 / 2039

页数：7

共 6 条

[1] 一种新的空间直方图相似性度量方法及其在目标跟踪中的应用
姚志均
[J]. 电子与信息学报, 2013, 35 (07) : 1644 - 1649
[2] Convolutional Neural Networks for Speech Recognition
Abdel-Hamid, Ossama
Mohamed, Abdel-Rahman
Jiang, Hui
Deng, Li
Penn, Gerald
Yu, Dong
[J]. IEEE-ACM TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING, 2014, 22 (10) : 1533 - 1545
[3] Comparison of Regularization Methods for ImageNet Classification with Deep Convolutional Neural Networks[J] . Evgeny A. Smirnov,Denis M. Timoshenko,Serge N. Andrianov.AASRI Procedia . 2014
[4] A Survey of Appearance Models in Visual Object Tracking
Li, Xi
Hu, Weiming
Shen, Chunhua
Zhang, Zhongfei
Dick, Anthony
Van den Hengel, Anton
[J]. ACM TRANSACTIONS ON INTELLIGENT SYSTEMS AND TECHNOLOGY, 2013, 4 (04)
[5] Incremental Learning for Robust Visual Tracking[J] . David A. Ross,Jongwoo Lim,Ruei-Sung Lin,Ming-Hsuan Yang.International Journal of Computer Vision . 2008 (1)
[6] ImageNet classification with deep convolutional neural networks. A. Krizhevsky,I. Sutskever,G. Hinton. Advances in Neural Information Processing Systems . 2012

← 1 →