文献类型：期刊文章

作　　者：李军伟[1] 周小龙[1] 产思贤[1] 陈胜勇[1,2]

Li Junwei;Zhou Xiaolong;Chan Sixian;Chen Shengyong(College of Computer Science and Technology,Zhejiang University of Technology,Hangzhou 310023;School of Computer and Communication Engineering,Tianjin University of Technology,Tianjin 300384)

机构地区：[1]浙江工业大学计算机科学与技术学院,杭州310023 [2]天津理工大学计算机与通讯工程学院,天津300384

出　　处：《计算机辅助设计与图形学学报》

基　　金：国家自然科学基金(61403342;U1509207;61325019;61603341);浙江省自然科学基金(LY18F030020);浙江省大学生新苗人才计划(2017R403084)

年　　份：2018

卷　　号：30

期　　号：2

起止页码：273-281

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：近年来,虽然基于卷积神经网络特征的目标跟踪方法取得了巨大进展,但也存在卷积特征维度高而导致的特征冗余和噪声等问题,以及不同层的卷积特征在表达目标表观特征方面的能力不同问题.为了克服上述问题,提出利用卷积特征图之间的距离自适应地选取卷积特征中心来进行目标跟踪的方法.首先通过特征图之间的距离矩阵和信息传播理论迭代产生特征中心,压缩特征维度,降低跟踪模型训练的计算量;其次综合利用多层卷积特征训练多个跟踪器联合确定目标状态,并根据跟踪器的实时误差在线更新跟踪器的权重,滤除卷积特征之间的信息冗余和噪声,提升卷积特征的鲁棒性和目标判别能力.实验结果表明,该方法在跟踪成功率和准确率方面都达到了领先水平,且在保证算法跟踪性能的同时有效地降低了卷积特征维度.

关 键 词：目标跟踪 卷积神经网络 特征选择  相关滤波 聚类

分 类 号：TP391.41]