• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      智慧交通中形變自適應(yīng)的目標(biāo)跟蹤算法研究

      2020-04-14 01:04:46
      山西建筑 2020年6期
      關(guān)鍵詞:跟蹤目標(biāo)判別式濾波器

      吳 大 偉

      (東北林業(yè)大學(xué)交通學(xué)院,黑龍江 哈爾濱 150040)

      目標(biāo)跟蹤是利用最優(yōu)化算法分析目標(biāo)位置等信息的一種關(guān)鍵技術(shù),已被廣泛應(yīng)用于智能交通監(jiān)控和公安刑偵等領(lǐng)域。目標(biāo)跟蹤領(lǐng)域存在著目標(biāo)形變、遮擋和光照等挑戰(zhàn)性難點(diǎn),因此魯棒的目標(biāo)跟蹤算法研究具有非常重要的意義。當(dāng)前,目標(biāo)跟蹤算法可分為生成式模型和判別式模型,生成式模型主要利用目標(biāo)的聯(lián)合分布進(jìn)行建模,常見(jiàn)有粒子濾波[1]和卡爾曼濾波等[2]跟蹤算法。判別式模型是通過(guò)訓(xùn)練分類器來(lái)識(shí)別被跟蹤目標(biāo),常見(jiàn)有相關(guān)濾波器[3-7]和深度學(xué)習(xí)算法[8-10]。當(dāng)前,判別式模型已成為跟蹤領(lǐng)域的主流研究方向。Zhang在相關(guān)濾波器跟蹤算法的基礎(chǔ)上提出了基于貝葉斯框架的時(shí)空上下文跟蹤算法,有效利用了上下文信息提高分類器的判別性能[5]。Martin等[11]提出了ECO(Efficient Convolution Operators)跟蹤算法,融合了深度特征和相關(guān)濾波器進(jìn)行跟蹤,具有較高的跟蹤性能。Pan等[12]提出了融合相關(guān)濾波器和Siamese網(wǎng)絡(luò)的實(shí)時(shí)跟蹤框架,建立了一個(gè)在線模板庫(kù),克服了因遮擋導(dǎo)致跟蹤器被污染的問(wèn)題。

      盡管相關(guān)濾波器跟蹤算法具有較強(qiáng)的跟蹤性能,然而濾波器模板極易受到目標(biāo)形變等干擾,導(dǎo)致模板不準(zhǔn)確性。本文提出一種基于形變—自適應(yīng)的模板更新策略,根據(jù)目標(biāo)的形變程度自適應(yīng)調(diào)整濾波器模板,從而提升跟蹤性能。

      1 形變—自適應(yīng)的目標(biāo)跟蹤算法

      1.1 跟蹤濾波器

      近年來(lái)Martin等[11]提出了ECO跟蹤算法,克服了模型漂移問(wèn)題。本文將采用ECO-HC算法作為基準(zhǔn)跟蹤濾波器,利用顏色和HOG特征描述表征被跟蹤目標(biāo)。設(shè)x為被跟蹤目標(biāo)特征,d個(gè)特征通道,J{x}為映射到空間連續(xù)域的特征卷積,P=(pd,c)(c

      (1)

      然而ECO-HC算法每隔N幀更新一次模型,訓(xùn)練樣本的多樣性導(dǎo)致濾波器模板往往更新不及時(shí),甚至很容易受到目標(biāo)形變等干擾,基于此本文研究了目標(biāo)形變的特點(diǎn),提出了一種有效的更新策略來(lái)改善濾波器模板的準(zhǔn)確性,從而提高目標(biāo)跟蹤精度。

      1.2 基于上下文信息的形變—自適應(yīng)更新策略

      (2)

      CPSRt=St+St/St-1

      (3)

      式(3)中的第二項(xiàng)St/St-1為校正項(xiàng),其物理意義表征前后幀的形變程度;若當(dāng)前幀的St>St-1,則表示形變程度減小,應(yīng)該增加當(dāng)前幀的置信水平;相反,應(yīng)該降低當(dāng)前幀的置信水平,而St/St-1準(zhǔn)確地表征了這種變化。

      傳統(tǒng)的學(xué)習(xí)率是固定的,但當(dāng)目標(biāo)變形時(shí),應(yīng)該自適應(yīng)地調(diào)整濾波器模板。若形變嚴(yán)重,則應(yīng)降低學(xué)習(xí)率;如果變形不嚴(yán)重,則增加學(xué)習(xí)率,從而提高模型與模板之間的匹配度。算法將保留歷史所有CPSRt,形成一個(gè)集合CP={CPSR1,CPSR2,…,CPSRt},學(xué)習(xí)率可設(shè)置為:

      (4)

      式(4)是預(yù)先設(shè)置的閾值。當(dāng)CPSRt/m大于某一閾值時(shí),表明當(dāng)前濾波器具有較高的置信度和較小的目標(biāo)變形,應(yīng)及時(shí)將當(dāng)前濾波器更新到模板中,因此可設(shè)置一個(gè)較大的學(xué)習(xí)率α;相反,應(yīng)該設(shè)置一個(gè)較小的學(xué)習(xí)率β。本文閾值設(shè)置為0.9,α=0.015,β=0.009;相反,應(yīng)該將學(xué)習(xí)率設(shè)置為較小的值。因此,相關(guān)濾波器模板的更新方式為:

      (5)

      2 實(shí)驗(yàn)結(jié)果與分析

      本文算法命名為DA-ECO(Deformation-Adaptive ECO Tracking,形變—自適應(yīng)跟蹤算法),將DA-ECO算法與其他6個(gè)頂級(jí)前沿算法進(jìn)行比較,包括ECO-HC[11],fDSST[4],CSR-DCF[6],KCF[7],Struck[13],MEEM[14]。算法選取了10個(gè)標(biāo)注“Deformation”的形變視頻作為形變數(shù)據(jù)庫(kù)(來(lái)源網(wǎng)站http://cvlab.hanyang.ac.kr/tracker benchmark/)。利用成功率(Success Rate)作為評(píng)價(jià)標(biāo)準(zhǔn),成功率是指跟蹤目標(biāo)的邊框區(qū)域與人工標(biāo)定的準(zhǔn)確值的重疊率大于某個(gè)閾值(一般閾值設(shè)為0.5)的幀數(shù)占全部幀數(shù)的比值。

      表1為不同算法在形變數(shù)據(jù)集上的平均成功率,標(biāo)有*是最佳結(jié)果,標(biāo)有**次之,標(biāo)有***是第三好的結(jié)果,本文DA-ECO算法為81.2%,明顯高于ECO-HC和CSR-DCF等算法。由于本文算法能夠根據(jù)目標(biāo)形變自適應(yīng)調(diào)整被跟蹤模板,有效抑制形變導(dǎo)致模板的不準(zhǔn)性,具有形變的魯棒性。圖1為針對(duì)Couple,Skating1和Skating2-1共3個(gè)具有明顯形變的目標(biāo)跟蹤結(jié)果,將本文與其他4個(gè)前沿性算法比較,包括ECO-HC,fDSST,KCF及Struck,能夠準(zhǔn)確跟蹤目標(biāo)的矩形框?yàn)镈A-ECO算法結(jié)果,可見(jiàn)DA-ECO算法可以有效跟蹤目標(biāo),沒(méi)有出現(xiàn)漂移等現(xiàn)象。

      表1 不同算法在形變數(shù)據(jù)集上的平均成功率 %

      3 結(jié)語(yǔ)

      本文提出了一種形變—自適應(yīng)更新策略,構(gòu)造了上下文峰值旁瓣比CPSR特征,該特征可有效描述被跟蹤目標(biāo)相對(duì)于跟蹤模板的形變程度,根據(jù)CPSR特征調(diào)整模板的學(xué)習(xí)率,從而保證跟蹤模板的準(zhǔn)確性和魯棒性。實(shí)驗(yàn)結(jié)果表明,在形變數(shù)據(jù)庫(kù)上,本文DA-ECO算法均優(yōu)于ECO-HC,CSR-DCF和fDSST等算法,具有更高的成功率。然而,本文算法僅利用了顏色和HOG特征表征被跟蹤目標(biāo),下一步將研究和設(shè)計(jì)基于深度特征模板的自適應(yīng)更新策略,并集成到目標(biāo)跟蹤算法中。

      猜你喜歡
      跟蹤目標(biāo)判別式濾波器
      基于無(wú)擾濾波器和AED-ADT的無(wú)擾切換控制
      核相關(guān)濾波與孿生網(wǎng)絡(luò)相結(jié)合的目標(biāo)跟蹤算法
      判別式在不定方程中的應(yīng)用
      從濾波器理解卷積
      電子制作(2019年11期)2019-07-04 00:34:38
      根的判別式的應(yīng)用問(wèn)題
      開(kāi)關(guān)電源EMI濾波器的應(yīng)用方法探討
      電子制作(2018年16期)2018-09-26 03:26:50
      判別式四探實(shí)數(shù)根
      基于圖割理論的尺度自適應(yīng)人臉跟蹤算法
      連續(xù)同色調(diào)背景下運(yùn)動(dòng)目標(biāo)自適應(yīng)跟蹤
      基于TMS320C6678的SAR方位向預(yù)濾波器的并行實(shí)現(xiàn)
      旌德县| 七台河市| 安溪县| 湟源县| 璧山县| 岳西县| 榆树市| 湘乡市| 四会市| 聂拉木县| 杭锦旗| 曲沃县| 稻城县| 侯马市| 南昌市| 沭阳县| 恭城| 锡林浩特市| 金川县| 江川县| 利川市| 清涧县| 通榆县| 黔西县| 吴桥县| 宜兰县| 旺苍县| 龙海市| 泰和县| 通化市| 吉安县| 商都县| 介休市| 苏州市| 沙湾县| 桦川县| 通化市| 渭源县| 明水县| 哈密市| 太仆寺旗|