基于大数据安全技术及深度特征鲁棒视觉跟踪.docVIP

基于大数据安全技术及深度特征鲁棒视觉跟踪 　　摘 要： 针对光照变化、目标旋转、背景杂乱等复杂条件下，核相关滤波KCF算法出现目标跟踪漂移或者失败的问题，本文利用卷积神经网络（CNN）对跟踪目标出现光照、旋转、背景杂乱等复杂变化极具鲁棒性的特点，提出了一种基于卷积神经网络的鲁棒视觉跟踪算法CKCF。CKCF算法在考虑大数据安全和隐私保护技术的前提下，利用海量的图片数据集训练VGG模型提取目标深度特征，并融入改进后的KCF跟踪算法中，实验结果表明，与KCF算法相比较，该算法实现了更加鲁棒的跟踪效果，解决了KCF跟踪算法在光照变化、目标旋转、背景杂乱等复杂条件下目标跟踪漂移或者失败的问题。 　　关键词： 机器视觉；深度学习；卷积神经网络；大数据安全技术 　　Abstract：According to the problem of target tracking drift or failure for nuclear related filter KCF algorithm under the complicated conditions such as the illumination changes background clutter target rotation with the help of Robust characteristics of Convolutional Neural Network （CNN） for light rotation background clutter and other complex changes emerged in tracking target the paper proposes the CKCF robust vision tracking algorithm based on Convolutional Neural Network. Considering data security and privacy protection technology CKCF algorithm uses the picture data set to train VGG model for target feature deep extraction which could be integrated into the improved KCF tracking algorithm. The experimental results show that compared with the KCF algorithm the algorithm has more robust tracking effect and solves the problem of target tracking drift or failure for nuclear related filter KCF algorithm under the complicated conditions such as the illumination changes background clutter target rotation. 　　Key words： machine vision；deep learning；Convolutional Neural Network；large data security technology 　　引言 　　?觉跟踪是计算机视觉研究的热点分支，已推广应用于视频监控、智能交通、无人机等领域[1]。近年来，随着研究的深入，跟踪性能得到了明显改善。但是在跟踪目标受到光照变化、目标旋转、背景杂乱等复杂情况的影响下，要实现鲁棒跟踪仍然面临着巨大的挑战。 　　近年来，深度学习中的卷积神经网络（CNN ）广泛应用于目标检测、图像分类、语义分割等研究发展中[1] 。相比传统的手工特征，CNN能够提取目标的深层特征，对于复杂场景中目标跟踪具有较强的鲁棒性，并在目标跟踪方面呈现出可观的技术潜能和开发优势。文献[2]基于CNN对当前帧和上一帧进行采样，获取目标和背景的空间、时间特征。文献[3]采用RCNN深度模型，利用CNN模型提取的目标特征来区分出背景及跟踪对象。文献[4]采用CNN两个卷积层、两个降采样层，在全连接层进行综合，得到特征向量。文献[5]基于VGG-NET 深度模型，将输入的目标图片按不同的层次提取特征，用来估计目标的位置。文献[6]应用的深度模型分为共享层和特定层，其中，共享层采用VGG-NET，截取3个卷积层和2个全连接层；特定层由若干域组成，包含了目标正样本和负样本。文献[7]使用VGG-NET模型提取高级语义的目标类别特征，通过选择网络（sel- NE