没有合适的资源?快使用搜索试试~ 我知道了~
自学习畸变抑制相关滤波器提高无人机实时跟踪的准确性与鲁棒性
28910.01用于无人机实时跟踪的自学习畸变抑制相关滤波器黄自远1,付长虹2,李晓,李一鸣2,林福玲2,卢鹏31同济大学汽车学院2同济大学机械工程学院3香港理工大学自适应机器人控制实验室中国香港wwwtjhuangziyuan@gmail.comchanghongfu@tongji.edu.cn,peng.lu @ polyu.edu.hk摘要传统的判别相关滤波器(DCF)框架经常受到不希望的边界效应的影响。在过去的几年里,已经提出了几种扩大搜索区域的方法然而,在背景信息过多的情况下,也引入了更多的背景噪声,并且辨别滤波器倾向于从环境而不是对象学习这种情况,连同由完全/部分遮挡、照明变化和其他原因引起的对象的外观变化,使得在检测过程中更可能具有异常,这可能大大降低其结果的可信度因此,在这项工作中,提出了一种抑制检测过程中发生的畸变的新方法,即,畸变抑制相关滤波器(ARCF)。通过对检测阶段产生的响应图的变化率进行限制,ARCF跟踪器可以明显地抑制畸变,从而提高跟踪目标的鲁棒性和准确性。在不同的UAV数据集上进行了大量实验,以从鸟瞰图执行对象跟踪,即,UAV123、UAVDT和DTB70,使用243个具有挑战性的图像序列(包含超过90K帧)来验证ARCF跟踪器的性能,它已经证明自己优于其他20个基于DCF和深度框架的最先进的跟踪器,具有足够的速度用于实时应用。1. 介绍视觉目标跟踪已广泛应用于许多领域,特别是在无人机(UAV)应用中,其已用于目标跟踪[3]、空中飞机跟踪[11]和空中加油[28]。由于无人机和被跟踪对象的快速运动、遮挡、变形、光照变化和其他挑战,鲁棒和准确的跟踪仍然是一项苛刻的任务。近年来,判别相关滤波器(DCF)限制图1.背景感知相关滤波器(BACF)和建议的ARCF跟踪器之间的比较。中心图是为了展示UAV123@10fps的组11上的先前响应图和当前响应图之间的差异反应图的突然变化指示异常。当发生像差时,BACF容易失去对目标的跟踪,而ARCF可以抑制像差,从而避免这种漂移。由于其高计算效率,对视觉跟踪领域做出了巨大贡献。该算法利用循环矩阵的一个性质,将复杂的计算从空间域转移到频域不幸的是,利用该属性会产生人为样本,导致不期望的边界效应,这会严重降低跟踪性能。44号0.05第46号第0.04畸变0.0348号导致对象丢失的异常0.020.010抑制畸变0 20 40 60 80 100帧号#44 #45 #46 #47120 14048号BACFARCF响应图差异2892在检测过程中,传统的DCF框架生成一个响应图,并认为对象位于其值最大的位置。隐藏在响应图中的信息是至关重要的,因为其质量在某种程度上反映了在先前帧中学习的对象外观模型与当前帧中检测到的实际对象之间的相似性。 畸变在遮挡、进入/退出计划旋转和许多其他具有挑战性的场景中无处不在。然而,传统的DCF框架未能利用这些信息,并且当异常发生时,不能进一步采取动作,并且跟踪的对象简单地丢失。在无人机目标跟踪中,这两个问题尤为关键。快速运动或低分辨率的情况相对较多,缺少搜索区域容易导致目标漂移或丢失。物体还经历更多的平面外旋转,因此在空中跟踪场景中更可能发生畸变。此外,在计算能力有限的情况下,特别需要能够处理这两个问题并有效执行1.1. 主要贡献这项工作提出了一种新的跟踪方法,重新解决了上述两个问题,即,ARCF跟踪器。引入裁剪矩阵和正则化项分别用于扩大搜索范围和抑制异常。为了保证足够的计算效率,采用了有效的凸优化方法这项工作的贡献可以列举如下:提出了一种新的跟踪方法,能够有效地背景块被送入学习和检测过程,作为负训练样本,扩大搜索范围。通过引入正则化项来限制响应图的变化率,避免了响应图的突变。建议的ARCF跟踪器进行了详尽的测试,243个具有挑战性的无人机捕获的图像序列。这两个手工制作的跟踪器,即,直方图的方向梯度(HOG)和颜色名称(CN),和深度跟踪器进行了比较,在广泛的实验与建议的ARCF跟踪器。全面的评估表明,ARCF跟踪器的性能优于其他20种最先进的跟踪器。据我们所知,这是第一次在DCF框架中应用畸变抑制公式。该方法可以提高DCF跟踪器的鲁棒性,改善跟踪器在无人机跟踪任务中的性能2. 相关工作2.1. 鉴别相关滤波器基于判别相关滤波器的框架自Bolme等人首次提出以来已被广泛应用于视觉跟踪。[2]他提出了一种称为最小输出平方误差和(MOSSE)滤波器的方法Kernel技巧是Henriques等人在DCF框架中引入的。[13]以取得更好的成绩。规模估计的引入进一步改进了框架[18]。上下文和背景信息也被利用来获得更多的负样本,以便学习的相关滤波器可以具有更高的区分能力[7,15,21]。除了在[7,13,15,18]中使用的手工制作的特征之外,还研究了深度特征的应用,以实现更精确和全面的对象外观表示[6,12,19]。一些跟踪器将手工制作的特征与深度特征相结合,以便从多个方面更好地描述跟踪对象[5,16]。基于DCF的跟踪器在针对无人机目标跟踪的多个数据集中实现了最先进的性能[10,17,20]。2.2. 边界效应的先验解如前所述,传统的基于DCF的框架通常会受到边界效应的影响,这是由于其在原始对象附近的区域的周期性移位引起的有限的搜索区域。已经采取了一些措施来减轻这种影响[7,12,15]。空间正则化DCF(SRDCF)被提出来在训练相关滤波器时引入对背景的惩罚,以便它们可以在更大的搜索区域中学习[7]。不幸的是,这种方法具有很高的计算成本。背景感知相关滤波器(BACF)使用裁剪矩阵[15]从背景中密集提取斑块,以较低的计算成本扩展搜索区域。背景效应感知视觉跟踪器(BEVT)融合了这两种方法,从而实现了更好的性能[12]。2.3. 异常的优先解决方案很少有人注意到反应图中所揭示的信息Wang等人提出了一种名为LMCF的方法,其中响应图的质量在学习阶段得到验证,并用于执行外观模型的高置信度更新[26],这将在低置信度情况下将学习率降至零。注意相关过滤网络(ACFN)将一些跟踪器集成为网络,并为每个帧的响应图生成验证分数。基于该分数训练神经网络,以在下一帧中选择合适的跟踪器[4]。然而,这两种方法都在可能的畸变之后采取措施,与试图在训练阶段抑制畸变的所提出的ARCF跟踪器相比,这只能在抑制这些畸变方面具有有限的能力。··2893…[p,q][p,q][p,q]限制限制…框架2B框架3B帧k-1B帧kB………………检测检测检测检测………∈∈∈2图2.主要工作-建议的ARCF跟踪器的 它学习对象的正样本(绿色样本)和从背景中提取的负样本(红色样本),并且在学习过程中集成响应图限制,从而可以抑制响应图中的异常。[qlp,q]用于移动所生成的响应图,使得前一帧中的峰值位置与当前帧的峰值位置相同,因此检测到的对象的位置将不影响限制。3. 背景感知相关滤波器在本节中,回顾了我们的方法所基于的背景感知相关滤波器(BACF)[15]给定具有XdRN(d=1,2,.,D)和矢量化理想响应 y∈RN,BACF的总体目标是最小化目标E(w),即,4. 畸变抑制相关滤波器如3所述,BACF,就像其他基于DCF的跟踪器一样,在异常发生时很脆弱。在这项工作中,一个异常抑制相关滤波器,即,ARCF,提出了抑制响应地图的突然变化。主要结构可以在图中看到。二、4.1. ARCF的总体目标1天ΣDdd2d2E(w)=2y−BXd=1*女2+d=1 第102章:(1)与其他措施相比, 标记实例LMCF和ACFN的异常,建议ARCF其中,BRM×N是用于选择输入矢量化样本的每个通道x d的中心M个元素的裁剪矩阵,WdRM是要在第d个通道中学习的相关滤波器。通常,<
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- BSC绩效考核指标汇总 (2).docx
- BSC资料.pdf
- BSC绩效考核指标汇总 (3).pdf
- C5000W常见问题解决方案.docx
- BSC概念 (2).pdf
- ESP8266智能家居.docx
- ESP8266智能家居.pdf
- BSC概念 HR猫猫.docx
- C5000W常见问题解决方案.pdf
- BSC模板:关键绩效指标示例(财务、客户、内部运营、学习成长四个方面).docx
- BSC概念.docx
- BSC模板:关键绩效指标示例(财务、客户、内部运营、学习成长四个方面).pdf
- BSC概念.pdf
- 各种智能算法的总结汇总.docx
- BSC概念 HR猫猫.pdf
- bsc概念hr猫猫.pdf
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功