• 北大核心期刊(《中文核心期刊要目总览》2017版)
  • 中国科技核心期刊(中国科技论文统计源期刊)
  • JST 日本科学技术振兴机构数据库(日)收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于双检测器系统的长期目标跟踪算法

胡昭华 李奇 韩庆

胡昭华, 李奇, 韩庆. 基于双检测器系统的长期目标跟踪算法[J]. 微电子学与计算机, 2021, 38(9): 31-37.
引用本文: 胡昭华, 李奇, 韩庆. 基于双检测器系统的长期目标跟踪算法[J]. 微电子学与计算机, 2021, 38(9): 31-37.
HU Zhaohua, LI Qi, HAN Qing. Dual-detector system for Long-term tracking[J]. Microelectronics & Computer, 2021, 38(9): 31-37.
Citation: HU Zhaohua, LI Qi, HAN Qing. Dual-detector system for Long-term tracking[J]. Microelectronics & Computer, 2021, 38(9): 31-37.

基于双检测器系统的长期目标跟踪算法

基金项目: 

国家自然科学基金 61601230

江苏省自然科学基金 BK20141004

详细信息
    作者简介:

    胡昭华  女,(1981-),博士,副教授.研究方向为视觉跟踪、模式识别.E-mail:zhaohua_hu@163.com

    李奇  男,(1995-),硕士研究生.研究方向为计算机视觉、模式识别

    韩庆  男,(1996-),硕士研究生.研究方向为目标跟踪、机器学习

  • 中图分类号: TP391

Dual-detector system for Long-term tracking

  • 摘要: 针对长期目标跟踪过程中极易出现的目标漂移导致跟踪失败的问题,在空间正则化相关滤波算法的基础上,提出一种基于双检测器系统的长期目标跟踪算法.为了适应不同的跟踪场景,增加模型鲁棒性,加入SVM检测器和孪生网络检测器,并选择较为高效的SVM检测器作为主检测器;只有当主检测器检测失败时,才启动精度更高的孪生网络检测器检测目标,通过两个检测器的协同工作可以对当前图像进行高质量的重新检测.同时,本算法中加入自适应空间正则化项,可以有效抑制边界效应的影响;并采用交替方向乘子法对目标函数进行优化,降低计算复杂度以节约运行时间.本文算法在OTB-2013和OTB-2015两个数据集上进行测试,结果表明:本文算法在多种特性上都有较强的鲁棒性,特别是在进行长视频序列的跟踪时,比基础算法在跟踪距离精度和成功率上分别提高了12.9%和6.2%.
  • 图  1  算法整体框架图

    图  2  两种算法的跟踪结果对比图

    图  3  算法在数据集上的距离精度和成功率曲线图

    图  4  几种特性的跟踪成功率曲线图

    图  5  跟踪算法的结果对比

    表  1  长视频序列的距离精度和成功率

    Ours SRDCF LCT
    Precision 0.824 0.695 0.689
    Success 0.632 0.570 0.457
    下载: 导出CSV
  • [1] BOLME D S, BEVERIDGE J R, DRAPER B A, et al. Visual object tracking using adaptive correlation filters[C]//Proceedings of 2010 IEEE Computer Society Conference on Computer Vision and Pattern. San Francisco: IEEE, 2010: 2544-2550. DOI: 10.1109/CVPR.2010.5539960.
    [2] HENRIQUES J F, CASEIRO R, MARTINS P, et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3): 583-596. DOI:  10.1109/TPAMI.2014.2345390.
    [3] DANELLJAN M, HUGER G, KHAN F S, et al. Learning spatially regularized correlation filters for visual tracking[C]//Proceedings of 2015 IEEE International Conference on Computer Vision. Santiago, Chile: IEEE, 2015: 4310-4318. DOI: 10.1109/ICCV.2015.490.
    [4] MA C, HUANG J B, YANG X K et al. Adaptive correlation filters with long-term and short-term memory for object tracking[J]. International Journal of Computer Vision, 2018, 126(8): 771-796. DOI:  10.1007/s11263-018-1076-4.
    [5] FELZENSZWALB P F, GIRSHICK R B, MCALLESTER D, et al. Object detection with discriminatively trained part-based models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1627-1645. DOI:  10.1109/TPAMI.2009.167.
    [6] CRAMMER K, DEKEL O, KESHET J, et al. Online passive-aggressive algorithms[J]. The Journal of Machine Learning Research, 2006(7): 551-585.
    [7] BERTINETTO L, VALMADRE J, HENRIQUES J F, et al. Fully-convolutional Siamese networks for object tracking[C]//Proceedings of European Conference on Computer Vision. Amsterdam, the Netherlands: Springer, 2016: 850-865. DOI: 10.1007/978-3-319-48881-3_56.
    [8] FAN H, LING H B. Parallel tracking and verifying: a framework for real-time and high accuracy visual tracking[C]//Proceedings of 2017 IEEE International Conference on Computer Vision. Venice, Italy: IEEE, 2017: 5487-5495. DOI: 10.1109/ICCV.2017.585.
    [9] WU Y, LIM J, YANG M H. Online object tracking: a benchmark[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland: IEEE, 2013: 2411-2418. DOI: 10.1109/CVPR.2013.312.
    [10] WU Y, LIM J, YANG M H. Object tracking benchmark[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1834-1848. DOI:  10.1109/TPAMI.2014.2388226.
    [11] WANG N, SONG Y B, MA C, et al. Unsupervised deep tracking[C]//Proceedings of 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach: IEEE, 2019: 1308-1317. DOI: 10.1109/CVPR.2019.00140.
    [12] MUELLER M, SMITH N, GHANEM B. Context-aware correlation filter tracking[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 2017: 1387-1395. DOI: 10.1109/CVPR.2017.152.
    [13] VALMADRE J, BERTINETTO L, HENRIQUES J, et al. End-to-end representation learning for correlation filter based tracking[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 2017: 5000-5008. DOI: 10.1109/CVPR.2017.531.
  • 加载中
图(5) / 表(1)
计量
  • 文章访问数:  53
  • HTML全文浏览量:  20
  • PDF下载量:  1
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-05
  • 修回日期:  2020-12-24
  • 刊出日期:  2021-09-05

目录

    /

    返回文章
    返回