1、 第2卷 第1期V o l.2 N o.1 2 0 2 3年2月 J o u r n a l o f A r m y E n g i n e e r i n g U n i v e r s i t y o f P L A F e b.2 0 2 3基于轻量卷积神经网络的目标跟踪改进算法苑红晓1,冯玉芳1,潘 峰1,殷 宏2,白景波2,曾祥熙1(1.3 2 1 2 5部队,山东 济南 2 5 0 0 0 4;2.陆军工程大学 指挥控制工程学院,江苏 南京 2 1 0 0 0 7)摘要:针对现有目标跟踪算法在跟踪过程中遇到目标形变、遮挡等干扰属性导致不能对目标进行有效跟踪的问题,提出一种基于轻量卷
2、积神经网络(l i g h t w e i g h t c o n v o l u t i o n a l n e u r a l n e t w o r k,LWC N)的目标跟踪改进算法。首先利用改进的卷积神经网络对模板图片和跟踪图片进行特征提取,并将不同层次的特征图充分利用,解决了随着网络加深而导致部分特征丢失问题;其次融合C N特征和HO G特征作为相关滤波器中目标特征表达,增强在不同干扰属性下的目标描述能力;再次通过最大响应值对当前目标位置和目标尺度进行 判 断,并 决 定 是 否 更 新 滤 波 器 模 板;最 后 将LWC N算 法 与 其 他 算 法 在O T B 5 0、O
3、T B 1 0 0、UAV 1 2 3等数据集上进行性能对比实验。实验结果表明,LWC N算法具有较好的稳定性和实时性,并在遇到形变、遮挡、光线和背景变化时,跟踪结果优于大部分算法。关键词:目标跟踪;轻量C NN;特征提取;特征融合 中图分类号:T P 3 9 1.4D O I:1 0.1 2 0 1 8/j.i s s n.2 0 9 7-0 7 3 0.2 0 2 2 0 3 1 4 0 0 1O b j e c t T r a c k i n g A l g o r i t h m B a s e d o n L i g h t w e i g h t C o n v o l u t i
4、 o n a l N e u r a l N e t w o r k YUAN H o n g x i a o1,F E NG Y u f a n g1,P AN F e n g1,Y I N H o n g2,B A I J i n g b o2,Z E NG X i a n g x i1(1.U n i t 3 2 1 2 5 o f P L A,J i n a n 2 5 0 0 0 4,C h i n a;2.C o l l e g e o f C o mm a n d&C o n t r o l E n g i n e e r i n g,A r m y E n g i n e e
5、r i n g U n i v e r s i t y o f P L A,N a n j i n g 2 1 0 0 0 7,C h i n a)A b s t r a c t:T o s o l v e t h e p r o b l e m t h a t e x i s t i n g o b j e c t t r a c k i n g a l g o r i t h m s c a n n o t e f f e c t i v e l y f u n c t i o n d u r-i n g t r a c k i n g w h e n e n c o u n t e r
6、i n g s o m e i n t e r f e r e n c e p r o p e r t i e s s u c h a s o b j e c t d e f o r m a t i o n a n d o c c l u s i o n,t h i s p a p e r p r o p o s e s a n i m p r o v e d o b j e c t t r a c k i n g a l g o r i t h m b a s e d o n l i g h t w e i g h t c o n v o l u t i o n a l n e u r a
7、l n e t w o r k(LWC N).F i r s t l y,t h e i m p r o v e d c o n v o l u t i o n a l n e u r a l n e t w o r k w a s u s e d t o e x t r a c t f e a t u r e s f r o m t h e t e m-p l a t e i m a g e s a n d t r a c k i n g i m a g e s.T o s o l v e t h e p r o b l e m t h a t s o m e f e a t u r e s
8、 w i l l b e l o s t w i t h n e t w o r k d e e p-e n i n g,t h i s n e t w o r k f u s e d t h e o b j e c t f e a t u r e s f r o m d i f f e r e n t l e v e l s t o m a k e f u l l u s e o f t h e s e f e a t u r e s.S e c-o n d l y,t o e n h a n c e t h e a b i l i t y t o d e s c r i b e t h e
9、 o b j e c t i n c o m p l e x s i t u a t i o n s,t h e f u s i o n o f C N a n d HOG f e a-t u r e s w a s u s e d a s t h e o b j e c t f e a t u r e e x p r e s s i o n i n t h e c o r r e l a t i o n f i l t e r.T h i r d l y,t h e m a x i m u m r e s p o n s e v a l u e w a s u s e d t o j u d
10、 g e t h e c u r r e n t o b j e c t p o s i t i o n a n d s i z e,a n d d e t e r m i n e w h e t h e r t h e f i l t e r i n g t e m p l a t e n e e d s t o b e u p d a t e d.L a s t l y,t h e LWC N w a s c o m p a r e d w i t h o t h e r a l g o r i t h m s o n OT B 5 0,OT B 1 0 0 a n d UAV 1 2 3
11、 t e s t d a t a s e t s.T h e r e s u l t s s h o w t h a t t h e LWC N h a s b e t t e r s t a b l e n e s s a n d r e a l-t i m e p e r f o r m a n c e a n d i t f u n c t i o n s b e t t e r t h a n m o s t a l g o r i t h m s i n c o n d i t i o n s o f o b j e c t d e f o r m a t i o n,o c c l
12、 u s i o n,l i g h t a n d b a c k-g r o u n d c h a n g e s.K e y w o r d s:o b j e c t t r a c k i n g;l i g h t w e i g h t C NN;f e a t u r e e x t r a c t i o n;f e a t u r e f u s i o n 收稿日期:2 0 2 2-0 3-1 4基金项目:国家重点研发计划(2 0 1 7 Y F B 0 8 0 2 8 0 0)。第一作者:苑红晓,高级工程师,主要研究计算机网络安全,4 1 4 1 2 8 1 9 1q
13、 q.c o m。通信作者:曾祥熙,助理工程师,主要研究计算机网络安全,5 0 1 2 7 1 6 6 5q q.c o m。目标跟踪被广泛应用于运动识别、无人机、视频监控、人机交互、自动驾驶以及其他摄影测量和计算机视觉等领域1。近年来,在目标跟踪领域出现了大量的跟踪算法2,这些算法在很大程度上提高了跟踪的准确率和稳定性,特别是基于相关滤波的跟踪算法取得了很好的成绩。但是,这些传统的目标跟踪算法在遇到目标快速移动、模糊、形变、光照变化等复杂场景时存在局限性,很难准确地跟踪到目标。随着深度学习技术的广泛应用,利用卷积神经网络进行目标跟踪的研究也越来越多。M a等3首先利用多层卷积特征构造多个弱跟
14、踪器,并将结果从后一层到前一层逐层组合,然后将不同的卷积特征应用到相关滤波器的跟踪中,采用由粗略估计到精确定位的方式找到目标位置。Q i等4使用对冲方法自适应地将多个基于C NN特征的弱跟踪器加权为单 个更强的跟 踪器,提高 了跟踪的准 确性。W a n g等5为了提高跟踪速度,提出了一种端到端的轻量化网络来学习C NN特征,并利用该网络进行相关跟踪,取得了很好的跟踪效果。V a l m a d r e等6将D C F s学习解码为可区分的C NN层,并以端到端的方式跟踪目标。W a n g等7预先训练一个C NN对象模型,从背景区域中区分出对象区域,并通过搜索合适的边界框来估计目标的最终位置
15、。Z h a n g等8在不经过离线训练的情况下,通过分析图像块的深度卷积特征,在两层卷积网络中学习跟踪目标的外观特征,取得了不错的效果。但是由于基于深度学习的跟踪算法参数量多,计算模型大,很难实现有效的实时跟踪。近几年,基于孪生网络的目标跟踪算法凭借其强大的准确性和速度引起了国内外学者的极大关注。T a o等9提 出 了S I NT(s i a m e s e i n s t a n c e s e a r c h f o r t r a c k i n g)算法,该算法利用孪生网络采集多个不同尺度的图像块特征,与目标区域图像块匹配后,返回匹配度最高的图像块。B e r t i n e t
16、t o等1 0提出了全卷积孪生网络目标跟踪算法(S i a m F C),该算法利用A l e x N e t网络提取目标特征,通过互相关操作得到得分图,最后确定目标位置。L i等1 1提出一种用大尺度图像数据进行端对端训练的跟踪框架,该方法将区域候选网络(r e g i o n p r o p o s a l n e t-w o r k,R P N)引入孪生网络结构中,取得了优异的性能。G u o等1 2提出了一种基于动态学习孪生网络的目标跟踪算法,该算法利用动态孪生网络(d y-n a m i c s i a m e s e n e t w o r k,D S N)来在线学习目标特征,取得了不错的跟踪效果。L i等1 3提出了一种基于深度孪生网络的目标跟踪算法(S i a m VG G),该算法采用了更深的VG G网络来提取目标特征,显示出优异的表现。但是随着这些主干网络越来越深,提取的特征也越来越抽象,在深度提取目标特征的同时会丢失某些重要特征,影响了跟踪效果。因此,针对上述跟踪模型存在的问题,本文在VG G-M-2 0 4 8网络模型基础上进行改进,设计了一种轻量型的卷积神经网
