【摘 要】
：
针对相关滤波跟踪算法在相似背景、遮挡、快速运动、运动模糊等复杂场景下目标易丢失的问题,提出一种新的基于流形背景感知的相关滤波目标跟踪方法。该方法首先选取目标区域,提取目标的外观特征,建立目标模型;然后,以目标所在位置为原点,采用双指数分布构建流形搜索区域,并根据目标的运动速度和运动方向动态调整流形搜索区域的搜索范围和搜索角度:若目标运动速度增大,则目标的运动方向不易改变,在目标的运动方向上扩大搜索
【基金项目】
：
国家自然科学基金（61172144）；
论文部分内容阅读
针对相关滤波跟踪算法在相似背景、遮挡、快速运动、运动模糊等复杂场景下目标易丢失的问题,提出一种新的基于流形背景感知的相关滤波目标跟踪方法。该方法首先选取目标区域,提取目标的外观特征,建立目标模型;然后,以目标所在位置为原点,采用双指数分布构建流形搜索区域,并根据目标的运动速度和运动方向动态调整流形搜索区域的搜索范围和搜索角度:若目标运动速度增大,则目标的运动方向不易改变,在目标的运动方向上扩大搜索范围,在目标运动方向的垂直方向上减小搜索范围;若目标运动速度减小,则目标的运动方向容易改变,在目标的运动方向上减小搜索范围,在目标运动方向的垂直方向上扩大搜索范围。最后,提取流形搜索区域内的背景信息,将背景信息与目标特征模型进行滤波器训练,得到滤波器模板,以滤波器模板来确定目标位置,进行目标跟踪。本文提出的流形背景感知算法,根据目标运动的速度和方向,采用动态搜索机制进行搜索,涵盖了目标随机运动的大概率空间范围,在复杂场景下能够有效搜索目标,并控制了计算量,提升了目标跟踪算法的精度和速度。通过在标准数据集OTB100和VOT2015上进行大量的实验,本文算法的成功率达到了0.774,准确率达到了0.829,相较于其它主流算法,本文算法对相似背景、遮挡、快速运动、运动模糊等复杂条件下的目标跟踪具有很好的准确率、实时性和鲁棒性。该论文有图32幅,表8个,参考文献67篇。
其他文献
皮带运输机作为煤炭、港口、建材和粮食等行业的重要运输工具,给人们的生产生活带来了很大的便利。针对皮带运输机工作过程中可能出现煤料掉落故障问题,进行了结合图像去模糊的故障检测算法的研究。首先为了充分利用视频帧图像中的冗余信息,恢复皮带机运行中造成的运动模糊,引入可变形卷积提高特征提取的灵活性,并且采用金字塔结构对齐相邻视频帧,通过在金字塔每层进行卷积和级联操作得到可变性卷积的偏移量;然后在对齐特征图
目前商业银行核心系统微服务架构普遍采用系统冗余部署方式,微服务访问存在瞬时高并发难以预测的问题。针对商业银行核心系统微服务预测的问题提出一种基于改进GRU组合神经网络预测模型。首先,在GRU神经网络构建过程中引入哈里斯鹰算法,采取对参数E的振幅逐步衰减调控机制和二分法局部增强策略,弥补了算法容易落入局部陷阱的缺陷,提高算法求解精度;其次,利用改进后的哈里斯鹰算法对GRU神经网络的参数进行迭代寻优;
结合生成模型的零样本算法通常仅使用属性注释,缺少类别语义,而单一信息对类别表征能力不够强,两模态特征之间存在语义间隔,容易产生域偏移,影响知识迁移的效果,进而降低分类结果的准确率。为了解决此问题,提出一种结合知识图谱的变分自编码器零样本识别算法（KG-VAE）。首先,通过构建联合类别分级结构,类别文本描述和词向量的层次结构化知识图谱做为语义信息库,将知识图谱中丰富的语义知识结合到以变分自编码器为基
钢铁行业是我国的支柱产业之一,然而由于生产环境的复杂性和加工设备的局限性,钢材表面往往会产生划痕、点蚀表面、斑块等不同种类的缺陷,直接影响了钢材的外观和质量。因此,提高钢材表面缺陷的自动化精准检测水平是十分必要的。近年来基于深度学习的目标检测算法被广泛应用在钢材表面缺陷检测场景,但一方面,深度学习模型存在参数量多,内存占用大的问题,使其难以部署到算力和内存有限的钢材表面缺陷检测设备上,妨碍了钢材表
图像增强是图像预处理领域的研究重点,根据人类视觉感官特点提出的Retinex理论模型被广泛应用到各个领域。该方法简单易实现,通过消除原始图像中光照图像的影响来获得一种能够反映图像本质信息的反射图像,实现对图像的增强。由于传统的Retinex算法存在噪声放大、光晕伪影以及图像边缘细节信息丢失的问题,研究人员提出了很多优秀的改进算法,但在改善效果上仍显不足。因此针对现有算法的不足之处,提出了多层次分解
尾矿库在线安全监测是预防和减少尾矿库生产安全事故的必要手段。在线安全监测过程中,现场布置的传感器会返回大量的低价值密度的时间序列数据,并且这些数据模式多变、周期复杂,给数据清洗带来了新的挑战。而同一传感器获取的数据,往往具有时间周期性,不同传感器间又存在模式相关关系,因此考虑利用这些数据的相关关系,提升数据清洗的效果和效率。本文主要内容如下:（1）考虑传感器返回监测数据的时间周期性,提出了通过滑动
遥感图像存在背景复杂、目标小且密集排列等问题,基于深度学习的目标检测方法可以提高遥感图像的目标检测准确率,但是普遍存在模型参数量较多、检测速度一般的问题。YOLO系列作为经典目标检测方法之一,因其高效灵活的特性,被广泛使用于多个方面的目标检测中,但是由于模型尺寸,难以部署在计算力和内存有限的平台上。针对上述问题,本文提出了改进YOLOv4的遥感图像目标检测方法。首先针对遥感图像目标检测轻量快速的要
音乐推荐系统可有效提升音乐资源利用率和信息搜集能力,降低选择成本。现有的音乐推荐系统存在数据稀疏性、推荐准确率低、时效性差及冷启动等问题。针对上述问题,提出了一种基于双分支神经网络与改进隐马尔可夫（HMM）的音乐推荐算法（FELCNNHMM）,根据用户收听歌曲的轨迹预测用户下一时刻收听概率最高的歌曲。首先构建双分支神经网络模型挖掘音乐潜在特征,采用卷积网络提取音频声学信号特征,并利用长短期记忆网络
聚类异常值检测能在很大程度上检测出异常值,检测效率较高,但大多数聚类异常值检测方法并未考虑到复杂数据存在的耦合关系,仍采用简单欧氏距离进行样本间相似性计算,导致相似度计算不准确,降低聚类效率,影响后续异常值检测效果。针对上述问题,提出一种基于耦合计算的聚类异常值检测方法。首先,采用耦合计算方式代替传统谱聚类相似度矩阵计算方式,可充分捕获数据属性内和属性间依赖关系,实现从属性内、属性间到样本间的分层
图像超分辨率任务中,由于真实场景图像中包含未知的模糊和分布不均匀的噪声,导致仅采用双三次下采样数据集训练的传统方法处理此类图像时无法得到令人满意的峰值信噪比和结构相似度,为此提出基于空间特征变换的不确定退化方式图像超分辨率方法。首先,设计小型卷积神经网络预测模糊核信息,并利用预测值与真实值的不同差异将会导致不同的超分辨率结果这一特殊性质校正模糊核。然后,根据从真实场景图像中学习到的模糊核和提取到的