کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5025605 1470589 2017 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Object tracking via inverse sparse representation and convolutional networks
ترجمه فارسی عنوان
ردیابی اشیاء از طریق نمایش مجرد معکوس و شبکه های کانولوشن
کلمات کلیدی
ردیابی شی، نمایندگی مجرد معکوس، شبکه های متخلخل ویژگی های محلی نرمال، فیلتر بانک،
ترجمه چکیده
در این مقاله، ما یک روش ردیابی جدید بر اساس بازنمایی نزولی معکوس و شبکه های کانولوشن ارائه می دهیم. اول، در مقایسه با ردیاب های موجود براساس نمایندگی مکرر معمول، قالب هدف را می توان با استفاده از فرهنگ لغت نامزد در روش ما نشان داد و کاندیداهای مربوط به ضرایب غیر صفر به عنوان برخی از نامزدهای مطلوب نتایج ردیابی انتخاب شده اند. در عین حال ویژگی های نرمال محلی به دست آمده برای به دست آوردن نمایندگی از قالب هدف و فرهنگ لغت نامزد است، که می تواند با انسداد جزئی و تغییر ظاهر کمی شیء برخورد کند. دوم، یک شبکه کانولاسیون برای انتخاب بهترین نامزدی از نامزدی انتخاب شده توسط نماینده انحصاری معکوس پیشنهاد شده است. فیلترهای بانک های متعددی برای حفظ ساختار محلی نمونه های هدف و پس زمینه معرفی شده اند و نقشه های ویژگی برای ایجاد لایه های ساده و لایه های پیچیده استخراج می شوند. در نهایت، یک برنامه به روز رسانی ساده محلی مدل برای جابجایی و تغییر ظاهر هدف مورد استفاده قرار می گیرد. هر دو ارزیابی کیفی و کمی در چندین توالی ویدئویی چالش انگیز نشان می دهد که روش پیشنهادی می تواند نتایج مطلوب و پایدار را در مقایسه با ردیاب های پیشرفته تر به دست آورد.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی (عمومی)
پیش نمایش مقاله
ردیابی اشیاء از طریق نمایش مجرد معکوس و شبکه های کانولوشن
چکیده انگلیسی
In this paper, we present a novel object tracking method based on inverse sparse representation and convolutional networks. First, in contrast to existing trackers based on conventional sparse representation, the target template can be sparsely represented by candidate dictionary in our method and the candidates corresponding to nonzero coefficients are selected as the some optimal candidates of tracking results. At the same time, locally normalized features are adopted to obtain the representation of target template and candidate dictionary, which can deal with partial occlusion and slight object appearance change. Second, a convolutional network is proposed to select the best candidate from the candidate set got by inverse sparse representation. Numerous bank filters are introduced to preserve local structure of the target and background samples and the feature maps are extracted to form the simple layers and complex layers. Finally, a simple local model update scheme is employed to accommodate occlusion and target appearance change. Both qualitative and quantitative evaluations on several challenging video sequences demonstrate that the proposed method can achieve favorable and stable results compared to the state-of-the-art trackers.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Optik - International Journal for Light and Electron Optics - Volume 138, June 2017, Pages 68-79
نویسندگان
, ,