• <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
    久久人妻福利社区极品人妻图片| 中文字幕人妻熟女乱码| 99久久综合精品五月天人人| 亚洲国产欧美网| 国产精品久久久久成人av| 看黄色毛片网站| 午夜激情av网站| 欧美+亚洲+日韩+国产| 久久精品国产亚洲av香蕉五月| 精品久久久久久久毛片微露脸| 欧美激情高清一区二区三区| 女警被强在线播放| www国产在线视频色| 精品无人区乱码1区二区| 成人亚洲精品一区在线观看| 美女午夜性视频免费| 亚洲欧美激情在线| 丝袜美足系列| 高清在线国产一区| 亚洲一区二区三区欧美精品| 精品一区二区三卡| 亚洲成人精品中文字幕电影 | 中文亚洲av片在线观看爽| 亚洲一区二区三区色噜噜 | 天堂动漫精品| 1024香蕉在线观看| 麻豆久久精品国产亚洲av | 日本a在线网址| 黄色视频,在线免费观看| 亚洲av电影在线进入| 天天添夜夜摸| а√天堂www在线а√下载| 欧美在线一区亚洲| tocl精华| 很黄的视频免费| 久久草成人影院| 国产激情久久老熟女| av网站在线播放免费| 亚洲免费av在线视频| 精品午夜福利视频在线观看一区| 欧美中文日本在线观看视频| 欧美中文综合在线视频| 在线播放国产精品三级| 精品一区二区三区av网在线观看| 黄色毛片三级朝国网站| 搡老熟女国产l中国老女人| 久久精品亚洲熟妇少妇任你| 午夜激情av网站| 黄色 视频免费看| 久久欧美精品欧美久久欧美| 久久中文字幕人妻熟女| 亚洲成国产人片在线观看| 丝袜美足系列| 精品久久久久久,| 亚洲av日韩精品久久久久久密| 久久午夜亚洲精品久久| 精品国内亚洲2022精品成人| 精品电影一区二区在线| 日韩三级视频一区二区三区| 日本wwww免费看| 脱女人内裤的视频| 亚洲va日本ⅴa欧美va伊人久久| 久久国产亚洲av麻豆专区| 夜夜夜夜夜久久久久| 如日韩欧美国产精品一区二区三区| а√天堂www在线а√下载| 可以在线观看毛片的网站| 日韩有码中文字幕| 久久久久国内视频| 视频区欧美日本亚洲| av视频免费观看在线观看| 伊人久久大香线蕉亚洲五| 黄色成人免费大全| 久久久久久人人人人人| 亚洲美女黄片视频| 欧美黑人精品巨大| www.999成人在线观看| 黄色视频,在线免费观看| 亚洲精品中文字幕一二三四区| 这个男人来自地球电影免费观看| 免费在线观看黄色视频的| 婷婷丁香在线五月| 久久影院123| 久久国产亚洲av麻豆专区| 亚洲专区国产一区二区| 99国产精品免费福利视频| 青草久久国产| 黄色毛片三级朝国网站| 国产亚洲精品第一综合不卡| 日韩av在线大香蕉| 黑人猛操日本美女一级片| 成年版毛片免费区| 午夜福利在线观看吧| e午夜精品久久久久久久| 欧美最黄视频在线播放免费 | 日韩欧美三级三区| 国产欧美日韩综合在线一区二区| 国产精品野战在线观看 | 中出人妻视频一区二区| av免费在线观看网站| 一区福利在线观看| 男人的好看免费观看在线视频 | 丰满迷人的少妇在线观看| av免费在线观看网站| 另类亚洲欧美激情| 国产熟女午夜一区二区三区| 亚洲精品久久午夜乱码| 午夜视频精品福利| 极品教师在线免费播放| svipshipincom国产片| 国产伦一二天堂av在线观看| 香蕉久久夜色| 欧美日韩精品网址| 女同久久另类99精品国产91| 亚洲熟女毛片儿| 精品一区二区三区视频在线观看免费 | www.熟女人妻精品国产| 日本撒尿小便嘘嘘汇集6| 香蕉国产在线看| 国产欧美日韩一区二区精品| 波多野结衣一区麻豆| 亚洲一区二区三区欧美精品| 日韩av在线大香蕉| 成人黄色视频免费在线看| 在线观看免费午夜福利视频| 国产麻豆69| 国产成人av激情在线播放| 欧美国产精品va在线观看不卡| 欧美日韩精品网址| 精品电影一区二区在线| 国产主播在线观看一区二区| 1024香蕉在线观看| 亚洲九九香蕉| 久久精品亚洲av国产电影网| 国产精品亚洲av一区麻豆| 两个人看的免费小视频| 日韩国内少妇激情av| 久久久久久免费高清国产稀缺| 美女大奶头视频| 亚洲熟妇熟女久久| 老鸭窝网址在线观看| 国产国语露脸激情在线看| 国产高清videossex| 欧美日韩瑟瑟在线播放| 无遮挡黄片免费观看| 叶爱在线成人免费视频播放| 欧美日韩一级在线毛片| 少妇的丰满在线观看| 亚洲国产精品合色在线| 欧美成人免费av一区二区三区| 黄色丝袜av网址大全| 超碰成人久久| 无遮挡黄片免费观看| 午夜福利在线免费观看网站| 1024视频免费在线观看| 久久久久九九精品影院| 久久这里只有精品19| 一级片'在线观看视频| 久久久久精品国产欧美久久久| 9色porny在线观看| 亚洲精品一卡2卡三卡4卡5卡| 国产一区在线观看成人免费| 欧美日韩亚洲综合一区二区三区_| 欧美精品一区二区免费开放| 国产熟女午夜一区二区三区| 国产精品秋霞免费鲁丝片| 亚洲成a人片在线一区二区| 一夜夜www| 成人精品一区二区免费| 精品一区二区三区av网在线观看| 黄色怎么调成土黄色| 日本三级黄在线观看| e午夜精品久久久久久久| 视频区图区小说| 精品日产1卡2卡| 免费在线观看日本一区| 在线观看66精品国产| 国产一区在线观看成人免费| 大陆偷拍与自拍| 国产国语露脸激情在线看| 欧美乱色亚洲激情| 1024香蕉在线观看| 久久性视频一级片| 成人三级做爰电影| 国产成人精品久久二区二区免费| 亚洲va日本ⅴa欧美va伊人久久| 久久人人97超碰香蕉20202| 1024香蕉在线观看| 一个人观看的视频www高清免费观看 | 亚洲五月色婷婷综合| 美女大奶头视频| 久久久水蜜桃国产精品网| 精品久久久久久久毛片微露脸| 久久九九热精品免费| 国产亚洲欧美精品永久| 看片在线看免费视频| 亚洲成人久久性| 免费av毛片视频| 亚洲中文av在线| 亚洲av电影在线进入| 亚洲av熟女| 国产精品秋霞免费鲁丝片| 高清在线国产一区| 精品高清国产在线一区| 悠悠久久av| 亚洲精品一二三| 免费搜索国产男女视频| 午夜免费激情av| 久久亚洲真实| 免费搜索国产男女视频| 极品人妻少妇av视频| xxx96com| 久久精品亚洲熟妇少妇任你| 12—13女人毛片做爰片一| 日韩欧美一区二区三区在线观看| 国产一卡二卡三卡精品| а√天堂www在线а√下载| 人人妻人人澡人人看| 国产精品亚洲av一区麻豆| 黄色怎么调成土黄色| 免费在线观看视频国产中文字幕亚洲| 三上悠亚av全集在线观看| 99国产精品免费福利视频| 最近最新中文字幕大全免费视频| 操出白浆在线播放| 国产精品亚洲av一区麻豆| 国产高清国产精品国产三级| 男男h啪啪无遮挡| 在线观看66精品国产| 日本黄色视频三级网站网址| 亚洲精品在线美女| 精品人妻1区二区| 久久精品国产亚洲av香蕉五月| 午夜福利免费观看在线| 午夜精品在线福利| 免费av中文字幕在线| 亚洲一区中文字幕在线| 精品人妻1区二区| 久久久久久久午夜电影 | 国产精品1区2区在线观看.| 欧美激情极品国产一区二区三区| 日本三级黄在线观看| 亚洲av成人不卡在线观看播放网| 亚洲五月婷婷丁香| 午夜91福利影院| 国产一卡二卡三卡精品| 成人三级做爰电影| 国产乱人伦免费视频| 国产成人欧美| 日韩欧美一区视频在线观看| 亚洲精品中文字幕一二三四区| 久久久久久亚洲精品国产蜜桃av| 黑人操中国人逼视频| 久久欧美精品欧美久久欧美| 超色免费av| 国产熟女xx| 99热只有精品国产| 日韩欧美在线二视频| 亚洲专区中文字幕在线| 大香蕉久久成人网| 水蜜桃什么品种好| 国产成人精品在线电影| 亚洲 欧美一区二区三区| 国产又爽黄色视频| av片东京热男人的天堂| 日本免费一区二区三区高清不卡 | 久久草成人影院| 亚洲精品在线美女| 1024视频免费在线观看| 免费在线观看视频国产中文字幕亚洲| 91成年电影在线观看| 正在播放国产对白刺激| av在线播放免费不卡| 人人妻人人澡人人看| 亚洲欧美日韩另类电影网站| 久久久久久久精品吃奶| 日韩大尺度精品在线看网址 | 热99国产精品久久久久久7| 动漫黄色视频在线观看| 91成人精品电影| 成人特级黄色片久久久久久久| 纯流量卡能插随身wifi吗| 国产又色又爽无遮挡免费看| 91成年电影在线观看| 俄罗斯特黄特色一大片| 视频在线观看一区二区三区| 久久这里只有精品19| 色播在线永久视频| 国产三级在线视频| 亚洲国产精品一区二区三区在线| 国产激情久久老熟女| 久久国产精品影院| 亚洲视频免费观看视频| 久久草成人影院| 亚洲 国产 在线| 日韩大码丰满熟妇| 国产乱人伦免费视频| 久久久水蜜桃国产精品网| tocl精华| 免费观看精品视频网站| 国产亚洲精品久久久久久毛片| 久久中文看片网| 一级作爱视频免费观看| 午夜久久久在线观看| 91精品国产国语对白视频| 亚洲三区欧美一区| 久久久久久大精品| 亚洲avbb在线观看| 岛国在线观看网站| 欧美国产精品va在线观看不卡| а√天堂www在线а√下载| 亚洲欧美一区二区三区黑人| 亚洲精华国产精华精| 日韩大码丰满熟妇| 一级片免费观看大全| 操出白浆在线播放| 法律面前人人平等表现在哪些方面| 国产99久久九九免费精品| 国产视频一区二区在线看| 嫩草影视91久久| 免费av毛片视频| 久久性视频一级片| 成人永久免费在线观看视频| 久久亚洲精品不卡| 欧美人与性动交α欧美精品济南到| xxxhd国产人妻xxx| 国产在线观看jvid| 午夜精品在线福利| 久久伊人香网站| 成人永久免费在线观看视频| 色播在线永久视频| 久久精品亚洲熟妇少妇任你| 亚洲精品国产区一区二| 日韩欧美三级三区| 后天国语完整版免费观看| 夜夜躁狠狠躁天天躁| 老熟妇仑乱视频hdxx| 淫秽高清视频在线观看| 麻豆国产av国片精品| 国产激情欧美一区二区| 精品人妻1区二区| 精品国产乱码久久久久久男人| 老司机午夜十八禁免费视频| 日韩精品中文字幕看吧| 在线永久观看黄色视频| 两性夫妻黄色片| 欧美黑人欧美精品刺激| 中文字幕人妻丝袜制服| 欧美人与性动交α欧美精品济南到| 99精品在免费线老司机午夜| 亚洲欧美激情在线| 国产高清激情床上av| 国产成人精品在线电影| 一进一出抽搐动态| 中文字幕最新亚洲高清| 999精品在线视频| 丝袜美腿诱惑在线| 成熟少妇高潮喷水视频| 日韩精品中文字幕看吧| 国产精品一区二区三区四区久久 | 丰满的人妻完整版| 日本三级黄在线观看| 国产一区在线观看成人免费| 婷婷丁香在线五月| 国产一区在线观看成人免费| 亚洲精品国产一区二区精华液| 悠悠久久av| а√天堂www在线а√下载| 最近最新中文字幕大全电影3 | 久久午夜亚洲精品久久| 超碰97精品在线观看| 久久久久九九精品影院| 亚洲欧美一区二区三区久久| 色在线成人网| 国产精品九九99| 18禁黄网站禁片午夜丰满| 99国产精品一区二区三区| 国产av一区二区精品久久| 人成视频在线观看免费观看| 亚洲九九香蕉| 成人亚洲精品一区在线观看| 最新美女视频免费是黄的| 美女午夜性视频免费| 久久久精品国产亚洲av高清涩受| 变态另类成人亚洲欧美熟女 | 黄片小视频在线播放| 免费不卡黄色视频| 亚洲三区欧美一区| 91av网站免费观看| 成人18禁在线播放| 少妇粗大呻吟视频| 丝袜美腿诱惑在线| 日本三级黄在线观看| 午夜福利欧美成人| 一级片'在线观看视频| 久久国产乱子伦精品免费另类| 最新在线观看一区二区三区| 日韩欧美国产一区二区入口| 日本撒尿小便嘘嘘汇集6| 精品人妻1区二区| aaaaa片日本免费| 妹子高潮喷水视频| 亚洲国产精品一区二区三区在线| 久久久久久久久免费视频了| 国产亚洲av高清不卡| 欧美黑人精品巨大| 欧美人与性动交α欧美精品济南到| 精品一区二区三区av网在线观看| 亚洲美女黄片视频| 久久香蕉国产精品| 亚洲第一av免费看| av超薄肉色丝袜交足视频| 色综合欧美亚洲国产小说| 久久精品亚洲精品国产色婷小说| 亚洲 欧美 日韩 在线 免费| 亚洲国产精品999在线| a级毛片在线看网站| 黄片播放在线免费| 天天影视国产精品| 在线观看免费日韩欧美大片| 欧美 亚洲 国产 日韩一| 亚洲成av片中文字幕在线观看| 亚洲成a人片在线一区二区| 亚洲欧美激情在线| 精品国产乱码久久久久久男人| 国产亚洲欧美精品永久| 国产精品综合久久久久久久免费 | 91国产中文字幕| 日韩大尺度精品在线看网址 | 国产精品亚洲一级av第二区| 男人的好看免费观看在线视频 | 日本一区二区免费在线视频| 女人高潮潮喷娇喘18禁视频| www国产在线视频色| 成人三级黄色视频| 亚洲精品国产一区二区精华液| av视频免费观看在线观看| 国产aⅴ精品一区二区三区波| 人人妻人人爽人人添夜夜欢视频| 国产1区2区3区精品| 国产一区二区三区在线臀色熟女 | 久久天躁狠狠躁夜夜2o2o| 亚洲专区国产一区二区| 欧美日韩视频精品一区| 自线自在国产av| 亚洲人成伊人成综合网2020| 国产成人系列免费观看| 丰满人妻熟妇乱又伦精品不卡| 亚洲,欧美精品.| 怎么达到女性高潮| 日韩视频一区二区在线观看| 欧美精品啪啪一区二区三区| 免费在线观看黄色视频的| 欧美日韩亚洲高清精品| 极品人妻少妇av视频| 亚洲国产毛片av蜜桃av| 国内久久婷婷六月综合欲色啪| 18禁国产床啪视频网站| 国产激情欧美一区二区| 免费观看人在逋| 欧美不卡视频在线免费观看 | 麻豆久久精品国产亚洲av | 亚洲第一欧美日韩一区二区三区| 精品国产亚洲在线| 欧美在线一区亚洲| 国产激情欧美一区二区| 午夜a级毛片| 99在线人妻在线中文字幕| 交换朋友夫妻互换小说| 99精品在免费线老司机午夜| 久久国产乱子伦精品免费另类| 成人手机av| 女性被躁到高潮视频| 国产91精品成人一区二区三区| 18禁黄网站禁片午夜丰满| 亚洲av五月六月丁香网| 国产精品日韩av在线免费观看 | x7x7x7水蜜桃| 久久国产精品男人的天堂亚洲| 国产精品 欧美亚洲| 深夜精品福利| 在线国产一区二区在线| 69av精品久久久久久| 日韩中文字幕欧美一区二区| 国产成人一区二区三区免费视频网站| 久久国产精品男人的天堂亚洲| 成人影院久久| 亚洲熟妇熟女久久| 中文字幕精品免费在线观看视频| 视频在线观看一区二区三区| 日韩免费av在线播放| 女人精品久久久久毛片| 精品人妻在线不人妻| 精品国产乱子伦一区二区三区| 国产成人精品在线电影| 欧美不卡视频在线免费观看 | 国产亚洲精品综合一区在线观看 | 亚洲欧美一区二区三区黑人| 精品国内亚洲2022精品成人| 国产91精品成人一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 男人舔女人的私密视频| 在线观看免费日韩欧美大片| 色播在线永久视频| 免费在线观看日本一区| 一进一出好大好爽视频| 性欧美人与动物交配| 欧美+亚洲+日韩+国产| 免费在线观看黄色视频的| 精品久久久久久,| 国产人伦9x9x在线观看| 久久久国产精品麻豆| 亚洲国产精品合色在线| 午夜精品在线福利| 天天躁狠狠躁夜夜躁狠狠躁| 最近最新中文字幕大全电影3 | 国产精品乱码一区二三区的特点 | 色综合欧美亚洲国产小说| 国产野战对白在线观看| 精品无人区乱码1区二区| 日韩精品青青久久久久久| 欧美日韩视频精品一区| 国产亚洲av高清不卡| 男女之事视频高清在线观看| 国产亚洲精品综合一区在线观看 | 男女之事视频高清在线观看| 黄色毛片三级朝国网站| 美女高潮喷水抽搐中文字幕| 国内久久婷婷六月综合欲色啪| avwww免费| 欧洲精品卡2卡3卡4卡5卡区| 日韩三级视频一区二区三区| 欧美精品啪啪一区二区三区| 欧美日韩视频精品一区| 搡老岳熟女国产| √禁漫天堂资源中文www| 日本 av在线| 大码成人一级视频| 成人三级黄色视频| 可以免费在线观看a视频的电影网站| 久久欧美精品欧美久久欧美| 操出白浆在线播放| 老熟妇仑乱视频hdxx| 18禁裸乳无遮挡免费网站照片 | 国产精品av久久久久免费| 国产麻豆69| 制服人妻中文乱码| 男人舔女人下体高潮全视频| 97超级碰碰碰精品色视频在线观看| 欧美日韩亚洲高清精品| 制服诱惑二区| 少妇粗大呻吟视频| 国产精品美女特级片免费视频播放器 | 精品电影一区二区在线| 男人的好看免费观看在线视频 | 午夜免费成人在线视频| 在线播放国产精品三级| 黑丝袜美女国产一区| 一二三四在线观看免费中文在| 99久久国产精品久久久| 另类亚洲欧美激情| 在线观看舔阴道视频| 桃红色精品国产亚洲av| av中文乱码字幕在线| av天堂久久9| 亚洲性夜色夜夜综合| 亚洲中文字幕日韩| 少妇的丰满在线观看| 中文字幕人妻丝袜一区二区| 国产1区2区3区精品| 亚洲性夜色夜夜综合| 美女国产高潮福利片在线看| 日本一区二区免费在线视频| 精品国产一区二区三区四区第35| 国产精品永久免费网站| 岛国视频午夜一区免费看| 咕卡用的链子| 国产精华一区二区三区| 搡老岳熟女国产| 中文字幕最新亚洲高清| 中文字幕人妻丝袜一区二区| 男男h啪啪无遮挡| 免费观看人在逋| www日本在线高清视频| 国产成人精品无人区| av免费在线观看网站| 99久久精品国产亚洲精品| 久久狼人影院| 两个人看的免费小视频| 国产精品日韩av在线免费观看 | 国产亚洲精品一区二区www| 亚洲av熟女| 黑人巨大精品欧美一区二区mp4| 欧美在线一区亚洲| 热99re8久久精品国产| 久久婷婷成人综合色麻豆| 后天国语完整版免费观看| 12—13女人毛片做爰片一| 性少妇av在线| 国产不卡一卡二| 黑人猛操日本美女一级片| 亚洲,欧美精品.| 国产激情欧美一区二区| 黄频高清免费视频| 午夜精品国产一区二区电影| 黑人猛操日本美女一级片| 国内毛片毛片毛片毛片毛片| 每晚都被弄得嗷嗷叫到高潮| 日本三级黄在线观看| 精品国产乱码久久久久久男人| 悠悠久久av| 伦理电影免费视频| 一夜夜www| 嫩草影视91久久| 国产在线精品亚洲第一网站|