为提高目标形变、遮挡、相似干扰以及视野超出等复杂场景的目标跟踪性能,提出一种复杂场景单目标跟踪算法。基于Staple算法研究二维高斯函数像素权重赋予问题,优化颜色直方图统计,增强目标与背景区分度。引入基于峰值旁瓣比(Peak Side L...为提高目标形变、遮挡、相似干扰以及视野超出等复杂场景的目标跟踪性能,提出一种复杂场景单目标跟踪算法。基于Staple算法研究二维高斯函数像素权重赋予问题,优化颜色直方图统计,增强目标与背景区分度。引入基于峰值旁瓣比(Peak Side Lobe Ratio,PSR)的HOG特征、颜色特征的自适应融合机制,合理选择融合系数,确保混合特征更加可靠。分析目标区域中心与上一帧目标中心距离,结合最大混合响应计算最佳中心位置,解决相似目标干扰问题。采用混合响应、HOG特征、平均峰值相关能量(Average Peak-to-Correlation Energy,APCE)判定目标丢失、遮挡情况,保持目标框位置,实现目标的及时重新跟踪。采用结合之前帧和当前帧信息的模板更新策略,进一步提升跟踪精度,并在OTB100数据集中涉及形变、遮挡、视野超出3个属性视频上测试。实验结果表明,改进算法在整体和特定属性(形变、遮挡、出视野)的成功率及形变属性的精确度上,较Staple算法分别提升了1.8%,3.3%,2%和9%;在VOT16数据集上,改进算法在整体和遮挡属性上,重叠度较Staple提升了0.0222和0.0196,满足复杂的特定场景下的目标跟踪需求。展开更多
针对跟踪模型泛化能力差、跟踪模型正样本选取质量低、深层模型参数量大不利于部署等问题,本文提出了超轻量化孪生网络模型Siamese-remo。首先结合传统随机采样方法和go-turn方法,设计出新型的正负样本选取策略,增加模型泛化能力;其次采...针对跟踪模型泛化能力差、跟踪模型正样本选取质量低、深层模型参数量大不利于部署等问题,本文提出了超轻量化孪生网络模型Siamese-remo。首先结合传统随机采样方法和go-turn方法,设计出新型的正负样本选取策略,增加模型泛化能力;其次采用shiftbox-remo的数据增强方式均匀正样本分布,并提升正样本采集质量;然后通过改进后的超轻量化Mobileone-remo网络提取特征,一定程度减少深层网络对跟踪平移不变性的破坏,并预设不同特征融合参数,单独训练网络分类和回归;最终加入Center-rank loss函数,根据样本点位置影响置信度、IOU排名,对网络分类回归策略进行优化。实验证明,自然场景下奶牛单目标跟踪模型期望平均重合度(Expected average overlap,EAO)达到0.475,相对于基线模型提升0.078,与现有跟踪器对比取得了较好的成绩,且参数量仅为现有主流算法的1/20,为后续自然场景下奶牛身份识别与目标跟踪系统提供了技术支持。展开更多
文摘针对跟踪模型泛化能力差、跟踪模型正样本选取质量低、深层模型参数量大不利于部署等问题,本文提出了超轻量化孪生网络模型Siamese-remo。首先结合传统随机采样方法和go-turn方法,设计出新型的正负样本选取策略,增加模型泛化能力;其次采用shiftbox-remo的数据增强方式均匀正样本分布,并提升正样本采集质量;然后通过改进后的超轻量化Mobileone-remo网络提取特征,一定程度减少深层网络对跟踪平移不变性的破坏,并预设不同特征融合参数,单独训练网络分类和回归;最终加入Center-rank loss函数,根据样本点位置影响置信度、IOU排名,对网络分类回归策略进行优化。实验证明,自然场景下奶牛单目标跟踪模型期望平均重合度(Expected average overlap,EAO)达到0.475,相对于基线模型提升0.078,与现有跟踪器对比取得了较好的成绩,且参数量仅为现有主流算法的1/20,为后续自然场景下奶牛身份识别与目标跟踪系统提供了技术支持。
