KCF(kernel correlation filter)算法是目前追踪效果最好的算法之一,但KCF算法无尺度自适应能力且不能有效解决遮挡问题.针对KCF算法的缺陷,设计了1种改进的KCF模型,IKCFMDF(improved KCF mixed with deep feature).该模型先由KCF算法...KCF(kernel correlation filter)算法是目前追踪效果最好的算法之一,但KCF算法无尺度自适应能力且不能有效解决遮挡问题.针对KCF算法的缺陷,设计了1种改进的KCF模型,IKCFMDF(improved KCF mixed with deep feature).该模型先由KCF算法得到目标行人的预测框,然后与通过目标检测得到的所有行人检测框相比较,将交并比最大的检测框作为新的训练目标,从而实现KCF的尺度自适应;引入深度特征代替原KCF使用的HOG(histogram of oriented gradient)特征,以避免HOG特征对行人的姿势改变和颜色信息不敏感的缺陷;在追踪目标丢失时保留其深度特征,与之后视频中行人的深度特征进行对比,如果相似度大于设定阈值,则可判定目标重新出现,从而有效解决KCF的遮挡问题.与原始KCF相比,改进的模型在复杂情况下,对行人追踪的成功率提升了36%,相比主流的神经网络模型也有少量的提升.展开更多
文摘KCF(kernel correlation filter)算法是目前追踪效果最好的算法之一,但KCF算法无尺度自适应能力且不能有效解决遮挡问题.针对KCF算法的缺陷,设计了1种改进的KCF模型,IKCFMDF(improved KCF mixed with deep feature).该模型先由KCF算法得到目标行人的预测框,然后与通过目标检测得到的所有行人检测框相比较,将交并比最大的检测框作为新的训练目标,从而实现KCF的尺度自适应;引入深度特征代替原KCF使用的HOG(histogram of oriented gradient)特征,以避免HOG特征对行人的姿势改变和颜色信息不敏感的缺陷;在追踪目标丢失时保留其深度特征,与之后视频中行人的深度特征进行对比,如果相似度大于设定阈值,则可判定目标重新出现,从而有效解决KCF的遮挡问题.与原始KCF相比,改进的模型在复杂情况下,对行人追踪的成功率提升了36%,相比主流的神经网络模型也有少量的提升.
