基于SiamFC的海上舰船跟踪实验设计

为了提高海上舰船跟踪准确率,设计了一种基于SAR图像的海上舰船跟踪实验方案。首先利用三组连续的卫星SAR图像构建数据集,然后根据海上舰船尺寸小、全卷积孪生网络(SiamFC)算法网络层数少的特点,提出将SiamFC算法应用于海上舰船跟踪过程。通过调整模型相关参数,并构建数据集,对模型进行了训练及测试。测试结果表明,该模型具有可行性。为了达到更好的跟踪效果,引入伽马算子对SAR图像进行增强,减少了SAR图像的相干斑点噪声。最后,对改进后的模型进行测试的结果表明,该方案的舰船跟踪准确率大大提高。

基于机器视觉的运动目标跟踪算法优化研究

针对全卷积孪生神经网络目标跟踪速度较慢等问题,研究基于全卷积孪生网络(fully-convolutional siamese networks, SiamFC)算法提出一种卷积层替换的改进方法。将原算法的卷积层进行相应的替换,减少卷积过程中的参数计算量,以此提升网络速度以及判断力。研究采用一种深度可分离卷积与混合深度卷积进行结构更新,通过不同尺寸卷积核提取图像特征。研究利用数据集对改进算法进行验证,实验中,改进SiamFC算法相较于SiamFC算法的一次性评估成功率提了2%左右,精度提升了3%左右;在空间鲁棒性上的成功率提升了3%左右,精度提升4%左右;在时间鲁棒性上的成功率分别提升2%左右,精度分别提升5%左右。结果表明,研究改进的算法的性能得到一定程度提升。

一种多分辨率在线选择分支的单目标跟踪方法

单目标跟踪作为计算机视觉领域中最基本的问题之一,可在第一帧视频给定标记目标后,在随后的帧中定位目标,而这其中有目标运动、视角变化、光照变化等干扰因素,针对此类由于目标发生剧烈外观变化而跟踪失败的问题,提出一种多分辨率在线选择分支的单目标跟踪方法。该方法基于孪生网络框架,结合Resnet-50深层网络,加入在线分支选择机制,构建出基于深层网络的具有在线分支选择的孪生跟踪框架。实验结果表明,在同等跟踪速率下,该方法具有更高的跟踪精度和更好的鲁棒性。

复杂场景下基于特征融合的车辆跟踪

针对恶劣天气(阴天、雨天、雪天)、空气污染(雾霾天)、黑夜等复杂的视频拍摄场景导致的目标与背景相似以及孪生网络没有模型更新的车辆跟踪问题,在确保算法实时性的前提下,以SiamFC(全卷积孪生网络)为基础对其特征提取、模型更新进行改进,提出了一种利用特征融合获取目标的表观特征和语义特征以及模型更新阈值优化的方法.试验结果表明:所提算法实现了在复杂场景下的车辆跟踪,特别是在处理目标与背景相似问题上,具有很强的泛化能力及鲁棒性.

基于特征融合的双分支模板更新跟踪算法

为了提高孪生网络SiamFC++的跟踪精确度和尺度适应性,提出了一种具有特征融合和双分支模板动态更新机制的实时目标跟踪算法。针对跟踪精确度,在骨干网络的浅层设计特征融合分支从而提高特征提取能力。另外,使用平均峰值相关能量(APCE)方法判断分类模板是否更新从而提高分类能力,改善了遮挡和形变时的跟踪效果。针对尺度适应性,使用交并比梯度比值法和响应图方差率判断回归模板是否更新,增强了快速移动和尺度变化的适应性。为了保证实时性,将两个分支的更新过程嵌套起来形成双分支模板动态更新机制。在数据集OTB2015和VOT2018上的结果表明,该算法较其他几种算法跟踪效果更稳定,能更好应对快速移动和遮挡等场景,同时该算法达到了62 fps,满足实时性要求。

基于细节提取的运动目标追踪算法

目前运动目标追踪任务中干扰具有很大的欺骗性,目标追踪算法容易被带有陷阱的数据集所欺骗.为了提升追踪算法在追踪数据集上的效果,本文提出基于SiamFC孪生网络上改进的DPP-SiamFC追踪算法,该算法在原网络基础上引入DPP (Detail-Perserving Pooling)池化层和残差网络,有效的保留目标的细节特征.本文并在VOT2017追踪数据集上验证网络性能,实验结果达到了网络性能提升的效果.

基于模板更新的深层孪生网络跟踪算法

针对跟踪过程中因尺度变化、遮挡及运动模糊等造成的目标定位不准确问题,在SiamFC(fully-convolutional siamese network)的跟踪框架基础上提出了一种具有高置信度模板更新机制的深层孪生网络目标跟踪算法.首先,主干网络采用ResNet-50残差网络进行特征提取,并融合多层特征图进行目标预测;其次,为避免模板频繁更新带来的模板漂移问题,构建了高置信度的模板更新模块.在OTB100数据集上的实验结果表明,相比基准算法,文中算法的跟踪成功率和精确度分别提高了3.4%和2.6%;在多种挑战因素下的对比实验表明,文中算法可以较好地抵抗目标遮挡、尺度变化、运动模糊等多种复杂因素带来的影响,有很好的鲁棒性.

带旋转与尺度估计的全卷积孪生网络目标跟踪算法

针对目标跟踪任务中,全卷积孪生网络(SiamFC)跟踪算法存在因目标的旋转、尺度变化而造成跟踪错误或跟踪结果不准确的问题,提出一种带旋转与尺度估计的SiamFC跟踪算法。该算法由定位模块与旋转、尺度估计模块两部分组成。首先在定位模块中,利用SiamFC算法获得跟踪位置,并结合旋转与尺度信息对该位置进行调整;其次在旋转、尺度估计模块中,鉴于图像的旋转和尺度变化在对数极坐标系下变成了平移运动,将目标搜索区域从笛卡儿坐标系变换到对数极坐标系下,由此便可利用相关滤波技术估计待跟踪目标的尺度和旋转角度;最终实现了一个能同步估计目标位置、旋转角度以及尺度变化的目标跟踪模型。在对比实验中,该算法在OTB2015数据集上的成功率与准确率分别达到57.7%和81.4%;在包含目标旋转和尺度变化的POT数据集上的成功率与准确率分别达到51.8%和53.3%。与SiamFC算法相比,所提算法的成功率和准确率分别提高了13.5个百分点和13.4个百分点。实验结果表明,所提算法能有效应对目标旋转与尺度变化带来的跟踪挑战。