• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種結(jié)合深度特征的人體運動序列追蹤模型

    2020-07-14 00:27蔣宇袁健
    軟件導(dǎo)刊 2020年1期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)

    蔣宇 袁健

    摘 要:目前主流的判別式目標(biāo)跟蹤模型大多使用灰度、顏色等手工特征,在目標(biāo)快速移動或受到視頻序列背景等因素干擾情況下,目標(biāo)跟蹤器可能在跟蹤目標(biāo)時學(xué)習(xí)到錯誤特征而導(dǎo)致跟蹤失敗。因此,提出一種結(jié)合深度特征的相關(guān)濾波跟蹤算法。首先將待跟蹤目標(biāo)圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)中,提取出較高層的卷積特征,然后將提取的卷積特征輸入相關(guān)濾波器中得到響應(yīng),最后根據(jù)響應(yīng)峰值得到追蹤結(jié)果。以VOT2016中包含人體運動的視頻序列為實驗數(shù)據(jù)集,并分別與CN、SAMF及KPDCF模型進(jìn)行對比。實驗結(jié)果表明,結(jié)合深度特征的相關(guān)濾波算法具有較好的追蹤性能,在不大幅降低追蹤速度的情況下,提升了追蹤精度和穩(wěn)定性。

    關(guān)鍵詞:手工特征;相關(guān)濾波器;深度特征;目標(biāo)追蹤;卷積神經(jīng)網(wǎng)絡(luò);人體運動序列

    DOI: 10. 11907/rjdk.191379

    開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

    中圖分類號:TP303

    文獻(xiàn)標(biāo)識碼:A

    文章編號:1672-7800(2020)001-0089-06

    0 引言

    在人體運動序列中,需要追蹤的目標(biāo)通常有著較大形變,且視頻序列背景可能有較多變化,所以在單目標(biāo)跟蹤過程中需要選取出比較有區(qū)分度,且有著較低計算量的特征,才能更好地滿足單目標(biāo)追蹤的實時性與高精度要求。如今,由于單目標(biāo)跟蹤對實時性的要求越來越高,因此相關(guān)濾波算法在該領(lǐng)域十分流行,但是濾波跟蹤是基于先驗訓(xùn)練模板的,一旦出現(xiàn)追蹤目標(biāo)本身形變較大,或因運動過快而發(fā)生變形的情況,相關(guān)濾波算法產(chǎn)生的訓(xùn)練模板很可能在后續(xù)的幀序列中匹配不一致,從而導(dǎo)致追蹤目標(biāo)丟失或追蹤錯誤的情況。隨著機(jī)器學(xué)習(xí)技術(shù)的迅速發(fā)展,深度卷積神經(jīng)網(wǎng)絡(luò)在視覺追蹤領(lǐng)域的應(yīng)用也越來越廣。一般而言,構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)層數(shù)越多,提取的高層特征將包含更多語義信息以及定位目標(biāo)的結(jié)構(gòu)化信息,卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用效果也會越顯著。例如2014年提出的G oogLeNet與2015年提出的ResNet,這些深層次網(wǎng)絡(luò)采用大量圖片數(shù)據(jù)集進(jìn)行訓(xùn)練,被成功應(yīng)用于圖像處理各相關(guān)領(lǐng)域。但是卷積神經(jīng)網(wǎng)絡(luò)需要進(jìn)行大量計算,直接使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類追蹤,難以實現(xiàn)目標(biāo)實時追蹤。因此,本文結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的抽象特征與相關(guān)濾波跟蹤算法,提出一種基于深度卷積特征的相關(guān)濾波跟蹤模型。實驗結(jié)果表明,該模型應(yīng)用于人體運動序列追蹤速度較快,且有著較高精度。

    目標(biāo)追蹤是計算機(jī)圖像處理領(lǐng)域一個非常重要的研究方向,有著十分廣泛的應(yīng)用場景。早期研究基本上都在歐美等發(fā)達(dá)國家,比如早在1980年代,Horn等[1]提出將光流法用于對計算機(jī)視頻中目標(biāo)的追蹤與識別。光流計算實際上是一種通過檢測圖像像素點強(qiáng)度隨時間的變化情況,進(jìn)而推斷出物體移動速度及方向的方法,如2001年Sidenbladh[2]通過光流信息表征運動特征,G onzalez[3]使用KLT特征,Btadski&Davisa1[4]采用運動梯度信息對運動特征進(jìn)行表述。但這些基于光流法的研究缺陷在于當(dāng)個體被遮擋時,提取運動信息會變得極其困難且誤差較大,追蹤精度也很低。因此,傳統(tǒng)光流計算在目標(biāo)運動邊界被遮擋、背景干擾強(qiáng)的情況下,遠(yuǎn)遠(yuǎn)達(dá)不到對于目標(biāo)追蹤精度和速度的要求。之后,出現(xiàn)了粒子濾波算法[5]與一些基于卡爾曼濾波[6]及其相關(guān)改進(jìn)方法。隨著計算機(jī)技術(shù)的飛速發(fā)展,針對目標(biāo)追蹤的研究逐漸演變?yōu)橐粋€計算機(jī)視覺的目標(biāo)識別檢測問題。2010年,Bolme等[7]第一次將相關(guān)濾波應(yīng)用于目標(biāo)追蹤領(lǐng)域,并構(gòu)建了一個自適應(yīng)的相關(guān)濾波器,稱為MOSSE濾波器。MOSSE濾波器對視頻第一幀中的追蹤目標(biāo)建模,然后對視頻序列的每一幀,利用提取到的目標(biāo)特征檢測幀圖像,以最小輸出平方誤差作為新的目標(biāo)位置,并且不斷調(diào)整建模目標(biāo)。MOSSE濾波器可通過快速傅立葉變換使大量計算轉(zhuǎn)換到頻域,從而加快追蹤速度;Henriques等[8]隨后提出一種基于核函數(shù)映射的相關(guān)濾波器,該濾波器將待追蹤目標(biāo)的外觀通過核函數(shù)映射至特征空間,然后通過最小二乘作分類,從而提升了追蹤精度。但是該核相關(guān)濾波器只提取了目標(biāo)灰度特征,也存在著追蹤丟失的可能性。

    隨著人工智能技術(shù)的不斷發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)開始被應(yīng)用于圖像處理領(lǐng)域,并在計算機(jī)視覺方面取得了很好的效果,在目標(biāo)追蹤領(lǐng)域更是有著突破性進(jìn)展。如Wang等[9]首次將卷積神經(jīng)網(wǎng)絡(luò)運用于目標(biāo)追蹤領(lǐng)域,利用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)挖掘目標(biāo)深度特征,然后通過在追蹤時不斷調(diào)整神經(jīng)網(wǎng)絡(luò)實現(xiàn)對目標(biāo)的追蹤。神經(jīng)網(wǎng)絡(luò)解決了追蹤時訓(xùn)練樣本規(guī)模較小的問題,但在追蹤速度上低于基于相關(guān)濾波器的追蹤算法。然而,將神經(jīng)網(wǎng)絡(luò)應(yīng)用于目標(biāo)追蹤領(lǐng)域,并在追蹤時不斷調(diào)整網(wǎng)絡(luò)的思想為后續(xù)深度學(xué)習(xí)在目標(biāo)追蹤方面的應(yīng)用打下了基礎(chǔ)。

    2015年左右,深度學(xué)習(xí)在目標(biāo)追蹤領(lǐng)域得到了大量應(yīng)用。如Nam等[10]提出一種多域網(wǎng)絡(luò),該模型基于預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)(CNN),使用大量視頻預(yù)先跟蹤C(jī)NN,并跟蹤視頻實況獲得通用目標(biāo)表示。神經(jīng)網(wǎng)絡(luò)由共享層與域特定層的多個分支組成,其中域?qū)?yīng)于各個訓(xùn)練序列,并且每個分支負(fù)責(zé)二進(jìn)制分類以識別每個域中的目標(biāo)。然后,迭代地針對每個域訓(xùn)練網(wǎng)絡(luò),以獲得共享層中的通用目標(biāo)表示。當(dāng)在新序列中跟蹤目標(biāo)時,將預(yù)訓(xùn)練CNN中的共享層與新的二進(jìn)制分類層(在線更新)組合構(gòu)建新網(wǎng)絡(luò);M artin等[11-12]提出將SRDCF用于目標(biāo)追蹤領(lǐng)域,使用循環(huán)矩陣解決了計算損失函數(shù)時的邊界效應(yīng)問題,通過引入懲罰因子提高追蹤精度,但速度相比傳統(tǒng)相關(guān)濾波模型大幅降低,之后又提出一種改進(jìn)的D-SRDCF模型,通過結(jié)合手工特征與CN特征,進(jìn)一步提高了精度,但是速度又進(jìn)一步降低。這些研究大都將目光聚焦在經(jīng)過大數(shù)據(jù)集預(yù)訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò),但神經(jīng)網(wǎng)絡(luò)存在計算耗時較長的問題,因而目標(biāo)追蹤速度無法得到保證。

    國內(nèi)也在很早前就開始了目標(biāo)跟蹤相關(guān)領(lǐng)域研究,早在1986年,我國就有部分學(xué)者對計算機(jī)視覺追蹤技術(shù)進(jìn)行研究,并取得了一定成果,如徐博文等[13]提出的結(jié)合關(guān)鍵點跟蹤的尺度自適應(yīng)相關(guān)濾波模型,候建華等[14]提出的基于在線學(xué)習(xí)判別性外觀模型的多目標(biāo)跟蹤模型等。

    綜上所述,基于相關(guān)濾波的目標(biāo)追蹤通常在實時性方面表現(xiàn)出明顯的優(yōu)越性,而基于深度學(xué)習(xí)的模型通常在準(zhǔn)確性方面有著較好表現(xiàn)。本文根據(jù)目標(biāo)追蹤領(lǐng)域發(fā)展趨勢,結(jié)合相關(guān)濾波算法與深度學(xué)習(xí)理論,基于預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)提出一種結(jié)合深度特征的相關(guān)濾波追蹤算法模型,并將其應(yīng)用于人體運動序列追蹤中。

    1 相關(guān)濾波目標(biāo)跟蹤模型

    相關(guān)性是指兩個信號之間的關(guān)系,有互相關(guān)與自相關(guān)兩種,相關(guān)濾波便是建立在此基礎(chǔ)之上。對于給定的兩個離散信號Sigl和Sig2,其相關(guān)性可以描述為式(1)。

    其中的*表示信號的共軛,其中m和n表示位移變量。相關(guān)性即相似程度,如果信號之間的相似程度高,則其相關(guān)性也高。所以在基于相關(guān)濾波的目標(biāo)追蹤中,主要是提取追蹤目標(biāo)在候選區(qū)域的特征,并將其與計算生成的濾波器作相關(guān)操作,得到相關(guān)濾波響應(yīng)峰圖(空域置信圖)。響應(yīng)峰圖中峰值坐標(biāo)就是追蹤目標(biāo)在圖像中的位置坐標(biāo),下面將詳細(xì)推導(dǎo)該過程。令一個數(shù)字圖像f和一個濾波器h進(jìn)行相關(guān)操作后,得到輸出g,如式(2)所示。

    g=f〇h

    (2)

    式(2)表明,得到的濾波響應(yīng)值受到h(濾波器模板)的影響,因此目標(biāo)追蹤問題就變?yōu)閷ふ覟V波器模板的問題。式(2)中的〇表示卷積操作,卷積操作計算量較大,因此相關(guān)濾波跟蹤算法中通常將卷積操作通過快速傅立葉變換轉(zhuǎn)換到頻域中進(jìn)行,從而減少計算量,提高追蹤效率。若將快速傅立葉變換表示為F,則式(2)可以表示為式(3)。

    F(g)=F(f〇h)=F(h)。F(h)*(3)

    G =F。H*

    (4) 式(4)為式(3)的簡化表達(dá),由此,相關(guān)濾波的目標(biāo)追琮問題可以表示為對濾波器H*的求解,如式(5)所示。

    H*=G/F/

    (5) 若追蹤的目標(biāo)在追蹤過程中發(fā)生形變或遮擋變化,此時就需要H*適應(yīng)場景變化。因此,相關(guān)濾波算法通常都會選擇最近的n個樣本更新H*,并在追蹤過程中不斷求解并更新H*,如式(6)所示。

    其中i表示第i個輸入樣例。將濾波器H*與追蹤目標(biāo)特征集合進(jìn)行相關(guān)計算,可以得到濾波響應(yīng)峰圖,取峰圖中的峰值作為追蹤目標(biāo)位置。因此,追蹤目標(biāo)特征提取是相關(guān)濾波算法中很重要的組成部分,特征提取質(zhì)量將直接關(guān)系到追蹤效果。相關(guān)濾波追蹤模型如圖1所示。

    2 結(jié)合深度特征的相關(guān)濾波目標(biāo)跟蹤算法

    2.1 預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)

    目前有一些開源的已經(jīng)過預(yù)訓(xùn)練的圖像分類網(wǎng)絡(luò),本部分算法模型將基于這些預(yù)訓(xùn)練網(wǎng)絡(luò)提取深度特征,并將從這些網(wǎng)絡(luò)中提取的深度特征應(yīng)用于相關(guān)濾波器,用于對目標(biāo)進(jìn)行追蹤。VGG[15]卷積神經(jīng)網(wǎng)絡(luò)(簡稱為VCGNet)是Visual Geometry Group實驗室基于大規(guī)模分類數(shù)據(jù)庫Ima-geNet[16]訓(xùn)練出來的卷積神經(jīng)網(wǎng)絡(luò)模型。ImageNet是一個圖片數(shù)據(jù)庫,所有圖片已通過人工手動標(biāo)注好類別,共有22 000個類別,是目前世界上最大的圖像識別數(shù)據(jù)庫。經(jīng)過該數(shù)據(jù)庫訓(xùn)練出的VGGNet網(wǎng)絡(luò)模型對除此之外的其它數(shù)據(jù)集具有很強(qiáng)的泛化能力。另外,VGCNet網(wǎng)絡(luò)模型還具有較強(qiáng)的遷移能力。

    VCCNet模型結(jié)構(gòu)十分簡潔,在目標(biāo)追蹤領(lǐng)域大部分采用16或19層網(wǎng)絡(luò)結(jié)構(gòu)(分別稱為VGC16和VCG19)。本文選擇19層網(wǎng)絡(luò)結(jié)構(gòu)作為實驗的卷積神經(jīng)網(wǎng)絡(luò),包括16個卷積層與3個全連接層。前幾層采用3x3結(jié)構(gòu)的卷積核作卷積操作,每個卷積層后面均有一個激活層。后幾層為池化層,池化層的卷積核為2x2。網(wǎng)絡(luò)最后有3個全連接層和一個soft- max層。

    2.2 深度特征結(jié)合相關(guān)濾波器

    上文討論了使用相關(guān)濾波解決目標(biāo)追蹤問題,并將目標(biāo)追蹤問題轉(zhuǎn)換成求解濾波器H*的問題。然而,在實際計算中,計算機(jī)都是針對圖像中每個像素點進(jìn)行操作的,所以式(6)可以具體表示為式(7)。

    其中u、v是單個像素元素對應(yīng)矩陣H中的下標(biāo)。要想使差平方和最小,此時只需對每個元素求得的偏導(dǎo)值為0即可,如式(8)所示。

    在視頻序列開始時,通過手工對視頻第一幀中已標(biāo)注好的目標(biāo)位置進(jìn)行特征提取,計算初始化相關(guān)濾波器模板。在具體實現(xiàn)時,對視頻序列的第一幀圖像進(jìn)行隨機(jī)放射變換,產(chǎn)生n個訓(xùn)練樣本,將樣本進(jìn)行高斯函數(shù)輸出得到響應(yīng)峰圖,響應(yīng)峰圖中的峰值則是追蹤目標(biāo)的中心位置,便可求得該相關(guān)濾波器模板。為了提高該相關(guān)濾波器的魯棒性,使其能夠應(yīng)對復(fù)雜場景,如光照急劇變化或相似背景干擾等,對相關(guān)濾波器模板采用如下更新機(jī)制,如式(11)-(13)所示。

    其中的Ai、Bi是由當(dāng)前視頻幀計算得出的,而Ai-1、Bi-1,是由上一視頻幀計算得出的,η表示該相關(guān)濾波模板學(xué)習(xí)率。因此,之前視頻幀與當(dāng)前視頻幀都會對濾波器模板訓(xùn)練產(chǎn)生影響,但是當(dāng)前幀的影響更大。

    相關(guān)濾波算法將用于本章提出的模型在線學(xué)習(xí)部分中,下面說明如何使用濾波器進(jìn)行追蹤?;舅悸窞椋河沙跏冀o定的追蹤目標(biāo)外觀,學(xué)習(xí)生成一個判別相關(guān)濾波器(簡稱DCF),在追蹤目標(biāo)的待檢測圖片中,DCF會對其中的追蹤目標(biāo)輸出相關(guān)響應(yīng)峰值,由此實現(xiàn)對追蹤目標(biāo)在待檢測圖片中的定位。相關(guān)濾波運算可以在頻域通過快速傅立葉變換實現(xiàn),因此相關(guān)濾波有著較高的實時性。

    首先,在視頻序列的初始幀中指定追蹤目標(biāo)位置信息,然后根據(jù)指定的追蹤目標(biāo)圖像提取追蹤目標(biāo)特征集合,訓(xùn)練得出DCF,在視頻序列的后續(xù)每幀圖像中,從前一幀由相關(guān)濾波輸出的追蹤目標(biāo)位置中提取追蹤目標(biāo)圖像特征,實現(xiàn)相關(guān)濾波的更新。以第t幀為例:①此時已知t-l幀時追蹤目標(biāo)的位置信息D,在第t幀中提取出位置D的圖像;②對得到的圖像進(jìn)行特征提取,作相關(guān)濾波運算,得到相關(guān)濾波響應(yīng)峰圖(空域置信圖);③響應(yīng)峰圖中的峰值位置即是第t幀中追蹤目標(biāo)的位置;④將得到的第t幀追蹤目標(biāo)位置作為第t幀的輸出,再依據(jù)位置信息更新相關(guān)濾波器。

    下面構(gòu)建基于深度特征的相關(guān)濾波實時追蹤模型(Deep Feature DCF,以下簡稱DFDCF)。模型主要流程如下:

    首先,確定序列首幀中手工標(biāo)注好的追蹤目標(biāo)區(qū)域,將該區(qū)域圖像輸入VCG19網(wǎng)絡(luò)(已預(yù)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò))中,提取出卷積層中第16層特征,根據(jù)式(10)計算出相應(yīng)濾波模板;然后,對序列中的每一幀后續(xù)圖像,采用式(11)提出的更新規(guī)則更新濾波模板,由上一視頻幀的輸出結(jié)果(第一幀輸出結(jié)果即為手工標(biāo)注結(jié)果)確定當(dāng)前幀的位置提取信息,將當(dāng)前幀提取的圖像再次輸入至VCG19網(wǎng)絡(luò)中。由于高層卷積特征有著追蹤目標(biāo)的語義信息,所以選?。?conv16)卷積層特征作為當(dāng)前特征,與新濾波模板作用得出濾波響應(yīng);最終,將響應(yīng)峰值作為當(dāng)前追蹤結(jié)果。模型流程如圖2所示。

    3 實驗與分析

    3.1 數(shù)據(jù)集與實驗環(huán)境

    VOT( Visual Object Tracking)[17]是一個針對單目標(biāo)跟蹤的測試數(shù)據(jù)集,從2013年發(fā)展至今,已成為單目標(biāo)跟蹤領(lǐng)域主流的3大平臺之一。作為一個測試數(shù)據(jù)集,VOT有著十分豐富的測試數(shù)據(jù),本文只選取其中的人體運動視頻序列作為實驗數(shù)據(jù),包括singerl、singer2、godfather等共24個視頻序列。

    本實驗中利用已訓(xùn)練好的VCC19提取目標(biāo)區(qū)域特征,具體采用19層網(wǎng)絡(luò)中的第16層卷積特征,其中式(12)與式(13)中的學(xué)習(xí)率η值為0.02。從追蹤的實驗數(shù)據(jù)集VOT2017中篩選出人體運動序列數(shù)據(jù)集,其中的初始幀目標(biāo)位置已知。

    3.2 評估指標(biāo)

    為了驗證本文跟蹤算法的性能,結(jié)合VOT以及傳統(tǒng)追蹤指標(biāo),使用如下評價指標(biāo)作為本文算法模型評價指標(biāo):

    (1)每秒傳輸幀數(shù)(Frames Per Second,F(xiàn)PS)。定義為跟蹤視頻總耗時T與視頻總幀數(shù)F的商值,如式(14)所示。

    FPS=T/F

    (14)

    (2)精確度(Accuracy)[18]。用來評價追蹤算法追蹤目標(biāo)的準(zhǔn)確度,數(shù)值越大,準(zhǔn)確度越高。其借用了IoU( Inter-section-over-Union,交并比)定義,某人體運動序列第t幀的準(zhǔn)確率定義如式(15)所示。

    3.3 結(jié)果對比分析

    本文實驗采用文獻(xiàn)[13]中提出的結(jié)合關(guān)鍵點的跟蹤算法(簡稱KPDCF)、CN[19]、SAMF[20]進(jìn)行實驗結(jié)果對比。實驗圖集如圖3所示。

    由圖3可以看出,不同算法模型在視頻序列每一幀的追蹤結(jié)果都不相同,但是VOT數(shù)據(jù)集中標(biāo)注的真實目標(biāo)位置只有一個,因此不同算法的準(zhǔn)確率也不同。當(dāng)然,不同模型的跟蹤速度也不同,圖4展示了KPDCF、CN、SAMF與本文提出模型在速度上的對比實驗結(jié)果。

    由圖4可以看出,最為簡單的CN模型跟蹤速度最快,達(dá)到了90fps多,但這是在犧牲追蹤精度的情況下達(dá)到的,本文提出的DFDCF模型跟蹤速度排名第二。KPDCF由于考慮了多尺度自適應(yīng)問題,提高了算法的時間復(fù)雜度,因此速度較慢,而SAMF模型在跟蹤速度方面表現(xiàn)最差。

    圖5展示了在singerl視頻序列下4個模型的精確度與魯棒值對比,在singerl視頻序列中,光線變化較為強(qiáng)烈,背景干擾性強(qiáng)??梢钥吹?,在20次實驗中,本文提出的DFD-CF不論是平均準(zhǔn)確度還是平均Rs值,在4個算法中都是最高的,雖然與KPDCF的性能差距不大,但在以上的FPS結(jié)果對比中,DFDCF相比KPDCF領(lǐng)先了約20fps。CN模型雖然在FPS對比中大幅領(lǐng)先,但其追蹤精度和魯棒值都遠(yuǎn)達(dá)不到要求。事實上,在針對其它人體運動視頻序列的實驗結(jié)果中,DFDCF的平均精度與魯棒值都有著較好表現(xiàn),具體數(shù)據(jù)如表1一表3所示。

    4 結(jié)語

    本文研究了人體運動序列的目標(biāo)追蹤問題,首先介紹了傳統(tǒng)基于相關(guān)濾波的目標(biāo)追蹤算法,指出其手工特征選擇部分在追蹤目標(biāo)形變較大或受到外界環(huán)境因素干擾情況下,可能導(dǎo)致追蹤目標(biāo)失敗,然后提出一種結(jié)合深度特征的相關(guān)濾波追蹤模型,使用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)獲取目標(biāo)特征,并將得到的深度卷積特征用作相關(guān)濾波器的特征提取部分,相關(guān)濾波器則作為運動序列的在線目標(biāo)追蹤部分。實驗結(jié)果表明,本文提出的基于深度特征的相關(guān)濾波追蹤模型在人體運動序列追蹤領(lǐng)域有著良好性能,在與其它模型對比時,在每秒傳輸幀數(shù)、準(zhǔn)確率和魯棒值方面都表現(xiàn)較好。然而,現(xiàn)有目標(biāo)追蹤算法在追蹤速度與追蹤準(zhǔn)確率方面很難做到兩者兼顧,后續(xù)研究將聚焦如何在不大幅降低追蹤準(zhǔn)確率的情況下,進(jìn)一步提高追蹤速度。

    參考文獻(xiàn)

    [1]HORN B K P, SCHUNCK B G. Determining optical flow[J]. ArtificialIntelligence, 1981 , 17( 1-3) : 185-204.

    [2]BOBICK A F, DAVIS J W. The recognition of human movement usingtemporal templates [J]. Pattern Analysis & Machine IntelligenceIEEE Transactions on , 2001 .23( 3) : 257-267.

    [3]COMANICIU D. RAMESH V, MEER P. Kernel-based object track-ing [J]. Pattern Analysis & Machine Intelligence, 2003, 25 (5) :564-575.

    [4] ZHAO T, NEVATIA R. Tracking multiple humans in crowded envi-ronment [ C ]. Proceedings of the 2004 IEEE Computer Society Confer-ence on Computer Vision and Pattern Recognition, 2004.

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)
    卷積神經(jīng)網(wǎng)絡(luò)語言模型研究
    基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    男人爽女人下面视频在线观看| 亚洲av免费高清在线观看| 母亲3免费完整高清在线观看 | 黄片播放在线免费| av免费观看日本| 日韩视频在线欧美| 性色avwww在线观看| 国产成人91sexporn| 欧美老熟妇乱子伦牲交| 精品少妇一区二区三区视频日本电影 | 少妇人妻久久综合中文| 亚洲男人天堂网一区| 人妻少妇偷人精品九色| 男女国产视频网站| 午夜av观看不卡| 欧美日本中文国产一区发布| 久久人人爽人人片av| xxxhd国产人妻xxx| 日本av免费视频播放| 99国产精品免费福利视频| 中文字幕亚洲精品专区| 国产日韩一区二区三区精品不卡| 老鸭窝网址在线观看| 日日啪夜夜爽| 国产男女内射视频| 91精品三级在线观看| 免费在线观看视频国产中文字幕亚洲 | 下体分泌物呈黄色| 街头女战士在线观看网站| 97在线人人人人妻| 日韩免费高清中文字幕av| 久久毛片免费看一区二区三区| 麻豆乱淫一区二区| 国产一区二区 视频在线| 亚洲精品乱久久久久久| 日韩av不卡免费在线播放| 免费大片黄手机在线观看| 久久久a久久爽久久v久久| 老司机亚洲免费影院| 国产成人av激情在线播放| 日本色播在线视频| 久久久久久久久久久免费av| 欧美亚洲日本最大视频资源| 我的亚洲天堂| 日韩三级伦理在线观看| 一级,二级,三级黄色视频| 90打野战视频偷拍视频| 80岁老熟妇乱子伦牲交| 久久久久久免费高清国产稀缺| 日韩免费高清中文字幕av| 亚洲欧洲精品一区二区精品久久久 | 观看美女的网站| 成年女人毛片免费观看观看9 | 伊人久久国产一区二区| 在线 av 中文字幕| videossex国产| 9色porny在线观看| 性少妇av在线| 免费人妻精品一区二区三区视频| 国产熟女欧美一区二区| 亚洲男人天堂网一区| 日本91视频免费播放| 激情视频va一区二区三区| 国精品久久久久久国模美| 一边亲一边摸免费视频| 一区二区av电影网| av网站免费在线观看视频| 90打野战视频偷拍视频| a级片在线免费高清观看视频| 精品人妻一区二区三区麻豆| 老汉色∧v一级毛片| 日韩欧美精品免费久久| 久久综合国产亚洲精品| 亚洲欧洲日产国产| 少妇人妻久久综合中文| 久久久亚洲精品成人影院| 日韩,欧美,国产一区二区三区| 黄色 视频免费看| av又黄又爽大尺度在线免费看| 在线看a的网站| 亚洲欧美日韩另类电影网站| 亚洲国产欧美在线一区| 亚洲成人av在线免费| 宅男免费午夜| 久久国产精品男人的天堂亚洲| 免费黄网站久久成人精品| 免费黄色在线免费观看| 亚洲一区中文字幕在线| 亚洲婷婷狠狠爱综合网| av在线播放精品| 国产成人av激情在线播放| 国产精品一区二区在线不卡| 色哟哟·www| 亚洲av福利一区| 人人妻人人澡人人看| a级毛片在线看网站| 纵有疾风起免费观看全集完整版| 叶爱在线成人免费视频播放| 久久国产精品大桥未久av| 成人免费观看视频高清| 亚洲男人天堂网一区| 人人妻人人爽人人添夜夜欢视频| 精品亚洲成国产av| 青春草国产在线视频| 女性被躁到高潮视频| av卡一久久| 亚洲情色 制服丝袜| 搡老乐熟女国产| 国产亚洲欧美精品永久| 久久精品久久久久久噜噜老黄| 国产成人精品久久二区二区91 | 亚洲av.av天堂| 汤姆久久久久久久影院中文字幕| 最近中文字幕2019免费版| 国产欧美亚洲国产| 1024香蕉在线观看| videos熟女内射| 一区二区三区激情视频| 一本久久精品| 一二三四中文在线观看免费高清| 国产精品三级大全| av片东京热男人的天堂| 国产精品一国产av| 国产黄频视频在线观看| 成人毛片a级毛片在线播放| 久久女婷五月综合色啪小说| 不卡视频在线观看欧美| 两个人免费观看高清视频| 男人添女人高潮全过程视频| 自线自在国产av| 日韩中文字幕欧美一区二区 | 看免费成人av毛片| 一级爰片在线观看| av线在线观看网站| 18禁观看日本| 精品亚洲乱码少妇综合久久| 亚洲图色成人| 久久久久久免费高清国产稀缺| 国产精品99久久99久久久不卡 | 啦啦啦中文免费视频观看日本| 男女国产视频网站| 欧美日韩亚洲国产一区二区在线观看 | 毛片一级片免费看久久久久| 在线观看国产h片| 久久久久久久久免费视频了| 国产综合精华液| 国产综合精华液| 久久精品久久精品一区二区三区| 久久人人爽av亚洲精品天堂| 久久午夜综合久久蜜桃| 免费av中文字幕在线| 国产一区亚洲一区在线观看| 多毛熟女@视频| 国产精品 欧美亚洲| 97在线视频观看| 国产人伦9x9x在线观看 | 九九爱精品视频在线观看| 国产无遮挡羞羞视频在线观看| 飞空精品影院首页| 亚洲精品国产av蜜桃| 午夜免费观看性视频| 久久狼人影院| 人妻 亚洲 视频| 波多野结衣av一区二区av| 在线观看一区二区三区激情| av在线app专区| 美女中出高潮动态图| 日韩一区二区视频免费看| 精品一品国产午夜福利视频| 亚洲欧美成人精品一区二区| 日本黄色日本黄色录像| 夫妻性生交免费视频一级片| 欧美激情高清一区二区三区 | 在线观看人妻少妇| 丝袜喷水一区| 亚洲国产成人一精品久久久| av卡一久久| 中文字幕av电影在线播放| 欧美另类一区| 亚洲国产欧美在线一区| 一级毛片电影观看| 丰满迷人的少妇在线观看| 成人18禁高潮啪啪吃奶动态图| 黄色怎么调成土黄色| 国精品久久久久久国模美| a 毛片基地| 超碰97精品在线观看| 18禁观看日本| 国产日韩欧美在线精品| 免费看不卡的av| 午夜福利在线免费观看网站| 人成视频在线观看免费观看| 日本色播在线视频| 爱豆传媒免费全集在线观看| 成人漫画全彩无遮挡| 久久青草综合色| 色婷婷久久久亚洲欧美| 久久精品久久久久久久性| 免费黄网站久久成人精品| 精品一品国产午夜福利视频| 久久鲁丝午夜福利片| 国产有黄有色有爽视频| 中文字幕人妻丝袜一区二区 | 国产一级毛片在线| 男女午夜视频在线观看| tube8黄色片| 午夜福利一区二区在线看| 女性生殖器流出的白浆| 国产精品 国内视频| 少妇人妻 视频| 一边亲一边摸免费视频| 成人18禁高潮啪啪吃奶动态图| 99九九在线精品视频| av卡一久久| 女性被躁到高潮视频| 亚洲av综合色区一区| 国产亚洲一区二区精品| 久久精品国产亚洲av天美| 国产在线一区二区三区精| 十八禁高潮呻吟视频| 乱人伦中国视频| 国产乱人偷精品视频| 妹子高潮喷水视频| 国产精品久久久久久精品古装| 一区二区三区激情视频| 日韩中文字幕欧美一区二区 | 久久国产精品男人的天堂亚洲| 极品少妇高潮喷水抽搐| 新久久久久国产一级毛片| 久热这里只有精品99| 日韩,欧美,国产一区二区三区| 免费观看在线日韩| 91国产中文字幕| 女人精品久久久久毛片| 大码成人一级视频| 青青草视频在线视频观看| 国产精品久久久久久av不卡| 人妻少妇偷人精品九色| 国产野战对白在线观看| 亚洲国产精品999| 熟女电影av网| 国产黄频视频在线观看| 久久久久精品久久久久真实原创| 美女国产视频在线观看| 在线观看国产h片| 2021少妇久久久久久久久久久| av女优亚洲男人天堂| 晚上一个人看的免费电影| 欧美av亚洲av综合av国产av | 欧美成人午夜免费资源| 久久国产精品男人的天堂亚洲| 成年人免费黄色播放视频| 永久免费av网站大全| 久久精品久久久久久噜噜老黄| 国产男人的电影天堂91| 最近中文字幕高清免费大全6| 国产片特级美女逼逼视频| 成年av动漫网址| 国产一区有黄有色的免费视频| 国产不卡av网站在线观看| 岛国毛片在线播放| 亚洲第一区二区三区不卡| 亚洲精品国产一区二区精华液| 啦啦啦在线免费观看视频4| 亚洲婷婷狠狠爱综合网| 亚洲精品成人av观看孕妇| 欧美 日韩 精品 国产| 亚洲少妇的诱惑av| 十八禁网站网址无遮挡| 国产精品av久久久久免费| 久久久久久久久久久久大奶| 精品一区二区免费观看| 精品一区在线观看国产| 9热在线视频观看99| 高清在线视频一区二区三区| 少妇的逼水好多| 在线天堂最新版资源| 国产极品天堂在线| 十分钟在线观看高清视频www| 国产精品免费大片| 嫩草影院入口| 久久人人爽人人片av| 欧美日韩亚洲高清精品| 热re99久久精品国产66热6| 国产日韩欧美视频二区| 国产精品99久久99久久久不卡 | 久久久久人妻精品一区果冻| 亚洲,一卡二卡三卡| av电影中文网址| 少妇熟女欧美另类| av线在线观看网站| 热99久久久久精品小说推荐| 亚洲经典国产精华液单| 美女大奶头黄色视频| 日韩一本色道免费dvd| 少妇人妻久久综合中文| 男女国产视频网站| 亚洲,一卡二卡三卡| 精品久久久精品久久久| 免费黄色在线免费观看| 女人高潮潮喷娇喘18禁视频| 欧美老熟妇乱子伦牲交| 国产成人一区二区在线| 亚洲人成网站在线观看播放| 亚洲av综合色区一区| 久热这里只有精品99| 十八禁高潮呻吟视频| 国产日韩一区二区三区精品不卡| 99热网站在线观看| 亚洲色图综合在线观看| 久久久久网色| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲av电影在线进入| 如日韩欧美国产精品一区二区三区| 熟女少妇亚洲综合色aaa.| 国产成人a∨麻豆精品| 亚洲三区欧美一区| 80岁老熟妇乱子伦牲交| 90打野战视频偷拍视频| 欧美精品人与动牲交sv欧美| 国产麻豆69| 欧美中文综合在线视频| 一本大道久久a久久精品| 久久久久久久大尺度免费视频| 亚洲,欧美精品.| 亚洲av日韩在线播放| 日韩不卡一区二区三区视频在线| 青青草视频在线视频观看| 欧美成人午夜精品| 少妇的逼水好多| 成人毛片60女人毛片免费| 日日撸夜夜添| 亚洲,一卡二卡三卡| 一级a爱视频在线免费观看| 女人高潮潮喷娇喘18禁视频| 捣出白浆h1v1| 亚洲天堂av无毛| 久久久久人妻精品一区果冻| 一区二区三区激情视频| 免费看不卡的av| 日产精品乱码卡一卡2卡三| 丰满乱子伦码专区| 狂野欧美激情性bbbbbb| 国产精品香港三级国产av潘金莲 | 久久午夜综合久久蜜桃| 亚洲精品第二区| 亚洲国产看品久久| 男女免费视频国产| 99热网站在线观看| 亚洲欧美一区二区三区久久| 成年av动漫网址| 人人妻人人澡人人爽人人夜夜| 欧美人与性动交α欧美精品济南到 | 91aial.com中文字幕在线观看| 精品第一国产精品| 国产精品久久久久久精品电影小说| 亚洲图色成人| 色94色欧美一区二区| 久久久久精品久久久久真实原创| 久久综合国产亚洲精品| 天堂俺去俺来也www色官网| 久久这里有精品视频免费| 国产免费福利视频在线观看| 2018国产大陆天天弄谢| 国产 精品1| 久久毛片免费看一区二区三区| 亚洲av国产av综合av卡| 久久久久人妻精品一区果冻| 三上悠亚av全集在线观看| 久久久久国产网址| 久久精品国产自在天天线| 久久韩国三级中文字幕| 在线观看人妻少妇| 18在线观看网站| 免费观看性生交大片5| 中文字幕亚洲精品专区| 女性生殖器流出的白浆| 精品一区二区免费观看| 99九九在线精品视频| 老女人水多毛片| 欧美日韩一区二区视频在线观看视频在线| 久久久久视频综合| 不卡av一区二区三区| 美女中出高潮动态图| 一级片免费观看大全| 国产高清国产精品国产三级| 国产精品国产三级国产专区5o| 国产毛片在线视频| 精品国产乱码久久久久久小说| 久久久久久久精品精品| 丝瓜视频免费看黄片| 精品国产一区二区三区久久久樱花| 亚洲伊人久久精品综合| 亚洲av免费高清在线观看| 国产精品麻豆人妻色哟哟久久| 国产免费福利视频在线观看| 午夜久久久在线观看| 最近的中文字幕免费完整| 免费在线观看完整版高清| 欧美日韩视频精品一区| 黄色毛片三级朝国网站| 国产一区有黄有色的免费视频| 亚洲国产精品一区二区三区在线| 一级毛片电影观看| 久久精品久久久久久久性| 国产在线免费精品| av网站在线播放免费| 亚洲欧美精品综合一区二区三区 | 亚洲精华国产精华液的使用体验| 国产精品偷伦视频观看了| 色视频在线一区二区三区| 丝袜在线中文字幕| 国产精品.久久久| 七月丁香在线播放| 热99国产精品久久久久久7| 成人午夜精彩视频在线观看| 在线观看免费日韩欧美大片| 久久久久久久久免费视频了| 久久人人97超碰香蕉20202| 99国产综合亚洲精品| 熟女少妇亚洲综合色aaa.| 国产乱来视频区| 九草在线视频观看| 色婷婷av一区二区三区视频| 一区二区三区乱码不卡18| 国产又爽黄色视频| 国产成人精品无人区| 成人影院久久| 99热全是精品| 亚洲精品美女久久久久99蜜臀 | 男女国产视频网站| 黄色视频在线播放观看不卡| 熟女av电影| 久久久精品国产亚洲av高清涩受| 日本欧美国产在线视频| 久久毛片免费看一区二区三区| 波多野结衣一区麻豆| 国产在视频线精品| 久热这里只有精品99| 国产精品偷伦视频观看了| 欧美日韩国产mv在线观看视频| 免费少妇av软件| 国产精品一国产av| 老司机亚洲免费影院| 亚洲在久久综合| 精品一区二区三区四区五区乱码 | 国产成人精品一,二区| 午夜日本视频在线| 嫩草影院入口| 在线观看免费视频网站a站| 欧美日韩一级在线毛片| 国产老妇伦熟女老妇高清| 亚洲久久久国产精品| 久久这里只有精品19| 一二三四在线观看免费中文在| 国产黄频视频在线观看| 成人漫画全彩无遮挡| 国产深夜福利视频在线观看| 亚洲av欧美aⅴ国产| 日本爱情动作片www.在线观看| 一个人免费看片子| 中文天堂在线官网| 国产1区2区3区精品| 一个人免费看片子| 亚洲美女黄色视频免费看| 国语对白做爰xxxⅹ性视频网站| 久久久久久久亚洲中文字幕| 黄片无遮挡物在线观看| 咕卡用的链子| 18+在线观看网站| 欧美精品一区二区免费开放| videossex国产| 男女无遮挡免费网站观看| 日韩精品有码人妻一区| 亚洲一区中文字幕在线| 人人妻人人爽人人添夜夜欢视频| 色婷婷av一区二区三区视频| 2021少妇久久久久久久久久久| 国产精品香港三级国产av潘金莲 | 我要看黄色一级片免费的| 精品亚洲成a人片在线观看| 国产黄色免费在线视频| 国产成人a∨麻豆精品| 国产淫语在线视频| 看非洲黑人一级黄片| 日韩欧美精品免费久久| 巨乳人妻的诱惑在线观看| 日本av免费视频播放| 王馨瑶露胸无遮挡在线观看| 国产免费又黄又爽又色| 一区二区三区精品91| 天美传媒精品一区二区| 女人高潮潮喷娇喘18禁视频| 欧美日韩成人在线一区二区| 又黄又粗又硬又大视频| 人妻 亚洲 视频| 最新中文字幕久久久久| 欧美日韩精品网址| 欧美激情极品国产一区二区三区| 久久久国产一区二区| 秋霞在线观看毛片| 老司机影院毛片| 日本免费在线观看一区| 日韩三级伦理在线观看| 久久久久国产精品人妻一区二区| tube8黄色片| 午夜av观看不卡| 热re99久久国产66热| 18+在线观看网站| av福利片在线| 亚洲欧美一区二区三区国产| 在线天堂中文资源库| 国产男人的电影天堂91| 热re99久久精品国产66热6| 午夜福利网站1000一区二区三区| 9色porny在线观看| 亚洲精品一区蜜桃| 免费人妻精品一区二区三区视频| 亚洲欧美中文字幕日韩二区| 午夜福利在线免费观看网站| 精品第一国产精品| 国产精品香港三级国产av潘金莲 | 在线亚洲精品国产二区图片欧美| 国产精品 国内视频| av电影中文网址| kizo精华| 啦啦啦在线观看免费高清www| 日日啪夜夜爽| 五月伊人婷婷丁香| 欧美日韩精品网址| 国产免费现黄频在线看| 国产综合精华液| 日本91视频免费播放| 久久精品久久久久久噜噜老黄| 久久精品夜色国产| 狠狠婷婷综合久久久久久88av| 国产av国产精品国产| 亚洲欧美成人精品一区二区| 多毛熟女@视频| videos熟女内射| 久久久久精品久久久久真实原创| 美女视频免费永久观看网站| 成人手机av| 久久精品久久久久久久性| 天天躁夜夜躁狠狠久久av| www日本在线高清视频| 色网站视频免费| 精品少妇内射三级| 大香蕉久久网| 最近中文字幕高清免费大全6| 高清视频免费观看一区二区| 中国国产av一级| 在线观看免费视频网站a站| 国产成人精品婷婷| 少妇精品久久久久久久| 成人国产av品久久久| 国产成人精品久久久久久| 亚洲综合精品二区| 精品国产露脸久久av麻豆| 咕卡用的链子| 成人亚洲欧美一区二区av| 国产精品女同一区二区软件| 精品视频人人做人人爽| 一级毛片 在线播放| 久久久久久久国产电影| 亚洲激情五月婷婷啪啪| a级毛片黄视频| 日本免费在线观看一区| 国产精品久久久久久av不卡| 看免费成人av毛片| 青春草亚洲视频在线观看| 国产av一区二区精品久久| 男女高潮啪啪啪动态图| 少妇的逼水好多| 有码 亚洲区| 亚洲精品久久成人aⅴ小说| 大码成人一级视频| 国产免费又黄又爽又色| 精品久久久久久电影网| 天天躁夜夜躁狠狠躁躁| 少妇被粗大猛烈的视频| 老汉色∧v一级毛片| 日产精品乱码卡一卡2卡三| 亚洲欧美精品综合一区二区三区 | 精品久久久久久电影网| 亚洲少妇的诱惑av| 国产一区二区在线观看av| 亚洲av在线观看美女高潮| 少妇人妻久久综合中文| 丁香六月天网| 爱豆传媒免费全集在线观看| 精品人妻一区二区三区麻豆| 菩萨蛮人人尽说江南好唐韦庄| 在线亚洲精品国产二区图片欧美| 99热国产这里只有精品6| 女的被弄到高潮叫床怎么办| 一区在线观看完整版| 国产欧美日韩一区二区三区在线| 搡女人真爽免费视频火全软件| 高清在线视频一区二区三区| 最近最新中文字幕免费大全7| 国产一区有黄有色的免费视频| av免费在线看不卡| 国产亚洲精品第一综合不卡| 99热网站在线观看| 高清在线视频一区二区三区| 国产精品亚洲av一区麻豆 | 欧美成人精品欧美一级黄| 亚洲色图 男人天堂 中文字幕| 欧美 日韩 精品 国产| 美女主播在线视频| 久久久久久久大尺度免费视频| 日本色播在线视频| av女优亚洲男人天堂| 伦理电影大哥的女人|