钟必能， 潘胜男

(1. 华侨大学 计算机科学与技术学院， 福建 厦门 361021;

2. 华侨大学 计算机视觉与模式识别重点实验室， 福建 厦门 361021)



选择性搜索和多深度学习模型融合的目标跟踪

钟必能1,2， 潘胜男1,2

(1. 华侨大学 计算机科学与技术学院， 福建 厦门 361021;

2. 华侨大学 计算机视觉与模式识别重点实验室， 福建 厦门 361021)

摘要：提出一种基于深度学习的多模型(卷积神经网络和卷积深信度网络)融合目标跟踪算法.该算法在提取候选粒子方面，使用选择性搜索和粒子滤波的方法.CVPR2013跟踪评价指标(50个视频序列、30个跟踪算法)验证了：该算法在跟踪中能有效地缓解目标物体由于遮挡、光照变化和尺度变化等因素造成的跟踪丢失情况的发生.

关键词：目标跟踪； 深度学习； 多模型融合； 选择性搜索； 评价指标

目标跟踪是机器视觉中一个重要的研究分支,然而由于应用场合中的一些不确定因素，要想获得一种稳健、鲁棒又快速的跟踪方法仍具有挑战性.为了解决这个问题，近年来越来越多的学者采用多层的深度学习模型进行目标的特征提取.Fan等[1]针对跟踪问题，提出了基于卷积神经网络(CNN)的行人跟踪法.Carneiro等[2]使用深度神经网络训练目标的表观模型，将该模型用于超声图像中左心房内膜的轮廓跟踪.Wang等[3]提出了基于降噪自编码器(auto-encoder)的跟踪方法.虽然深度学习模型具有更强的物体特征表达能力，但是以上提到的跟踪算法都是基于单线索[1-3]的.单一线索用于跟踪方法对环境变化敏感，鲁棒性不高.为了提高跟踪算法的性能，本文提出了基于深度学习的多线索(CNN和CDBN)目标跟踪算法；……