多特征融合的次峰抑制无人机目标跟踪

doi:10.3778/j.issn.1002-8331.2001-0269

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (14): 104-110.DOI: 10.3778/j.issn.1002-8331.2001-0269

多特征融合的次峰抑制无人机目标跟踪

吴贵山，林淑彬，杨文元

1.闽南师范大学计算机学院，福建漳州 363000
2.闽南师范大学福建省粒计算及其应用重点实验室，福建漳州 363000

出版日期:2020-07-15 发布日期:2020-07-14

Sub-peak Suppression of Multi-feature Fusion in UAV Object Tracking

WU Guishan, LIN Shubin, YANG Wenyuan

1.School of Computer Science, Minnan Normal University, Zhangzhou, Fujian 363000, China
2.Fujian Key Laboratory of Granular Computing and Application, Minnan Normal University, Zhangzhou, Fujian 363000, China

Online:2020-07-15 Published:2020-07-14

摘要/Abstract

摘要：

无人机目标跟踪是计算机视觉一个热门的研究方向。多特征融合后的响应通常含有噪声，为了解决这个问题，提出一种基于多特征融合的次峰响应抑制的无人机目标跟踪算法。提取HOG特征和二维颜色属性特征，并进行融合产生响应。对次峰响应进行抑制以去除噪声，将多个次峰聚合为一个中心主峰。引入自适应模型更新策略进一步增强算法的鲁棒性。在UAV123和VisDrone2019数据集上进行实验，结果显示该算法在无人机的快速运动、视角变化等挑战场景中表现出较好的跟踪精度和鲁棒性。

关键词: 计算机视觉, 目标跟踪, 背景感知, 次峰抑制, 手工特征

Abstract:

UAV object tracking is a considerable issue of computer vision. The response after multi-feature fusion usually contains noise. To solve this problem, a sub-peak suppression UAV object tracking algorithm based on multi-feature fusion is proposed. Firstly, HOG features and two-dimension color names are extracted and a response by fusion is generated. Secondly, the sub-peak response is suppressed to remove the noise, the sub-peak is aggregated into a central main peak. Finally, the adaptive model updating strategy is recommended, the robustness of the algorithm is further enhanced. Experiments are carried out on UAV123 and VisDrone2019 datasets. The results show that the algorithm has better precision and robustness in the challenging scenarios such as fast motion and viewpoint change of UAV.

Key words: computer vision, object tracking, background-awareness, sub-peak suppression, handcrafted feature

吴贵山，林淑彬，杨文元. 多特征融合的次峰抑制无人机目标跟踪[J]. 计算机工程与应用, 2020, 56(14): 104-110.

WU Guishan, LIN Shubin, YANG Wenyuan. Sub-peak Suppression of Multi-feature Fusion in UAV Object Tracking[J]. Computer Engineering and Applications, 2020, 56(14): 104-110.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[4]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[5]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[6]	王玲，王家沛，王鹏，孙爽滋. 融合注意力机制的孪生网络目标跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 169-174.
[7]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[8]	肖雨晴，杨慧敏. 目标检测算法在交通场景中应用综述[J]. 计算机工程与应用, 2021, 57(6): 30-41.
[9]	袁铭阳，黄宏博，周长胜. 全监督学习的图像语义分割方法研究进展[J]. 计算机工程与应用, 2021, 57(4): 43-54.
[10]	崔洲涓，安军社，陈长龙，崔天舒. 基于PYNQ框架的深度卷积特征异构跟踪系统[J]. 计算机工程与应用, 2021, 57(4): 120-126.
[11]	彭璟，罗浩宇，赵淦森，林成创，易序晟，陈少洁. 深度学习下的医学影像分割算法综述[J]. 计算机工程与应用, 2021, 57(3): 44-57.
[12]	邱守猛，谷宇章，袁泽强. 基于双分支孪生网络的目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 135-143.
[13]	林淑彬，吴贵山，许甲云，杨文元. 多帧监督的相关滤波无人机目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 152-160.
[14]	王涛，王文举，蔡宇. 基于深度学习的三维点云语义分割方法研究[J]. 计算机工程与应用, 2021, 57(23): 18-26.
[15]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.

多特征融合的次峰抑制无人机目标跟踪

Sub-peak Suppression of Multi-feature Fusion in UAV Object Tracking

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics