针对传统目标跟踪算法在复杂动态场景中因目标发生遮挡、旋转等多种因素而导致的跟踪失败问题,提出了一种基于检测器与定位器融合的自适应校正跟踪算法。定位器通过提取目标的深度特征训练CNN(convolutional neural network)滤波器进行...针对传统目标跟踪算法在复杂动态场景中因目标发生遮挡、旋转等多种因素而导致的跟踪失败问题,提出了一种基于检测器与定位器融合的自适应校正跟踪算法。定位器通过提取目标的深度特征训练CNN(convolutional neural network)滤波器进行位置估计,CNN滤波器在原CF2(hierarchical convolutional features for visual tracking)算法的3层卷积特征的基础上加入了2层浅层特征,增强了对目标纹理信息的提取。检测器通过提取目标的HOG(histogram of oriented gradient)特征,结合上下文信息计算置信度评分,用当前帧的平均峰值能量和响应最大值分别与历史均值比较,综合判断是否因为遮挡等因素导致跟踪失败,如果跟踪失败,结合检测器进行目标的重定位,否则对目标进行尺度估计。当模型具有高置信度时,更新模型。实验结果表明:算法距离精度和重叠精度均取得不错的效果。展开更多
文摘针对传统目标跟踪算法在复杂动态场景中因目标发生遮挡、旋转等多种因素而导致的跟踪失败问题,提出了一种基于检测器与定位器融合的自适应校正跟踪算法。定位器通过提取目标的深度特征训练CNN(convolutional neural network)滤波器进行位置估计,CNN滤波器在原CF2(hierarchical convolutional features for visual tracking)算法的3层卷积特征的基础上加入了2层浅层特征,增强了对目标纹理信息的提取。检测器通过提取目标的HOG(histogram of oriented gradient)特征,结合上下文信息计算置信度评分,用当前帧的平均峰值能量和响应最大值分别与历史均值比较,综合判断是否因为遮挡等因素导致跟踪失败,如果跟踪失败,结合检测器进行目标的重定位,否则对目标进行尺度估计。当模型具有高置信度时,更新模型。实验结果表明:算法距离精度和重叠精度均取得不错的效果。
