基于自适应深度稀疏网络的在线跟踪算法

来源：电子与信息学报杂志2017年第5期北京时间：

作者：侯志强, 王鑫, 余旺盛, 戴铂, 金泽芬芬

摘要：视觉跟踪中，高效鲁棒的特征表达是解决复杂环境下跟踪漂移问题的关键。该文针对深层网络预训练复杂费时及单网络跟踪易漂移的问题，在粒子滤波框架下，提出一种基于自适应深度稀疏网络的在线跟踪算法。该算法利用ReLU激活函数，针对不同类型目标构建了一种具有自适应选择性的深度稀疏网络结构，仅通过有限标签样本的在线训练，就可得到鲁棒的跟踪网络。实验数据表明：与当前主流的跟踪算法相比，该算法的平均跟踪成功率和精度均为最好，且与同样基于深度学习的DLT算法相比分别提高了20.64%和17.72%。在光照变化、相似背景等复杂环境下，该算法表现出了良好的鲁棒性，能够有效地解决跟踪漂移问题。

关键词：视觉跟踪, 在线训练, 深度学习, 自适应深度稀疏网络

基金资助：国家自然科学基金(61473309)；陕西省自然科学基础研究计划项目(2015JM6269, 2016JM6050)