第3期 汪鸿翔，等：高斯核函数卷积神经网络跟踪算法 ·393· 1.0 1.0 OURS —OURS 0.8 -CT 0.8 ---CT KCF ....KCF 0.6 CNT 06 -..CNT 0.4 0.2 0.2 10 20 30 啊 0 50 10 20 30 阈值 國值 (a)Crossing (b)Dancer2 1.0 1.0 URS 0.8 C 0.8 0.6 KCF --CNT OURS 0.4 “-=1 KCF 0.2 0.2 -.-CNT 0 10 20 30 40 50 10 20 30 40 50 國值 阀值 (c)David2 (d)Football 1.0 1.0 0.8 0.8 06 0.4 0.2 0.2 10 20 30 40 50 9 20. 30 4050 國值 阀值 (e)Shaking (f)Skater 1.0 1.0 0.8 0.8 0.6 0.4 0.2 0.2 0 10 20 30 40 50 0 20 30 4050 國值 國值 (g)Walking (h)Walking2 图4跟踪精度曲线图 Fig.4 Tracking accuracy curve 4结束语 参考文献： 本文针对深度学习跟踪算法训练费时，硬件要 []杨戈，刘宏.视觉跟踪算法综述.智能系统学报，2010， 求高等问题，采用高斯核函数加速计算，采用简单 5(2:95-105 两层前馈卷积网络提取目标鲁棒性特征，基于简化 YANG Ge,LIU Hong.Survey of visual tracking algorithms 的卷积神经网络提出跟踪算法，第一层利用K- [J].CAAI transactions on intelligent systems,2010,5(2): means在第一帧中提取归一化图像块作为滤波器组 95-105. 提取目标的简单层特征，第二层将简单的单元特征 [2]黄凯奇，陈晓棠，康运锋，等.智能视频监控技术综述[ 计算机学报，2015,38(6)：1093-1118 图堆叠形成一个复杂的特征映射，并编码目标的局 HUANG Kaiqi,CHEN Xiaotang,KANG Yunfeng,et al.In- 部结构位置信息，在粒子滤波框架下，在目标形变、 telligent visual surveillance:a review[J].Chinese journal of 遮挡、低分辨等场景下，脱离深度学习复杂的硬件 computers..2015.38(6):1093-1118. 环境，仍能取得较好跟踪效果。因为本文的特征提 [3]WU Yi,LIM J,YANG M H.Online object tracking:a 取方式采用卷积神经网络特征，所以本文算法在快 benchmark[Cl//Proceedings of 2013 IEEE Conference on 速运动、目标出界等场景下仍面临很大挑战，在今 Computer Vision and Pattern Recognition.Portland,OR, 后的工作中，将主要致力于解决此类场景的跟踪问题。 USA,2013:2411-24184 结束语 本文针对深度学习跟踪算法训练费时，硬件要 求高等问题，采用高斯核函数加速计算，采用简单 两层前馈卷积网络提取目标鲁棒性特征，基于简化 的卷积神经网络提出跟踪算法，第一层利用 K￾means 在第一帧中提取归一化图像块作为滤波器组 提取目标的简单层特征，第二层将简单的单元特征 图堆叠形成一个复杂的特征映射，并编码目标的局 部结构位置信息，在粒子滤波框架下，在目标形变、 遮挡、低分辨等场景下，脱离深度学习复杂的硬件 环境，仍能取得较好跟踪效果。因为本文的特征提 取方式采用卷积神经网络特征，所以本文算法在快 速运动、目标出界等场景下仍面临很大挑战，在今 后的工作中，将主要致力于解决此类场景的跟踪问题。 参考文献： 杨戈, 刘宏. 视觉跟踪算法综述[J]. 智能系统学报, 2010, 5(2): 95–105. YANG Ge, LIU Hong. Survey of visual tracking algorithms [J]. CAAI transactions on intelligent systems, 2010, 5(2): 95–105. [1] 黄凯奇, 陈晓棠, 康运锋, 等. 智能视频监控技术综述[J]. 计算机学报, 2015, 38(6): 1093–1118. HUANG Kaiqi, CHEN Xiaotang, KANG Yunfeng, et al. In￾telligent visual surveillance: a review[J]. Chinese journal of computers, 2015, 38(6): 1093–1118. [2] WU Yi, LIM J, YANG M H. Online object tracking: a benchmark[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland, OR, USA, 2013: 2411-2418. [3] 10 20 30 40 50 0 1.0 OURS CT KCF CNT OURS CT KCF CNT 0.8 0.6 0.4 0.2 阈值 阈值 阈值 阈值 阈值 阈值 阈值 阈值 10 20 30 40 50 0 1.0 0.8 0.6 0.4 0.2 10 20 30 40 50 0 1.0 OURS CT KCF CNT OURS CT KCF CNT 0.8 0.6 0.4 0.2 10 20 30 40 50 0 1.0 0.8 0.6 0.4 0.2 10 20 30 40 50 0 1.0 0.8 0.6 0.4 0.2 10 20 30 40 50 0 1.0 0.8 0.6 0.4 0.2 10 20 30 40 50 0 1.0 0.8 0.6 0.4 0.2 10 20 30 40 50 0 1.0 0.8 0.6 0.4 0.2 (a) Crossing (c) David2 (b) Dancer2 (d) Football (e) Shaking (f) Skater (g) Walking (h) Walking2 精度 精度 精度 精度 精度 精度 精度 精度 图 4 跟踪精度曲线图 Fig. 4 Tracking accuracy curve 第 3 期 汪鸿翔，等：高斯核函数卷积神经网络跟踪算法 ·393·