基于工地场景的深度学习目标跟踪算法

马少雄; 邱实; 唐颖; 张晓

doi:10.3969/j.issn.0372-2112.2020.09.001

您当前的位置：

首页 >

文章列表页 >

基于工地场景的深度学习目标跟踪算法

学术论文 | 更新时间：2025-12-08

- 基于工地场景的深度学习目标跟踪算法
- Deep Learning Target Tracking Algorithm Based on Construction Site Scene
- 电子学报 2020年48卷第9期页码：1665-1671
- 作者机构：
  
  1. 西安理工大学,陕西,西安,710048
  2. 陕西铁路工程职业技术学院,陕西,渭南,714000
  3. 中国科学院西安光学精密机械研究所中科院光谱成像技术重点实验室,陕西,西安,710119
  4. 成都理工大学,四川,成都,610059
  5. 西北大学,陕西,西安,710127
  6. 西安理工大学,陕西,西安,710048
  7. 陕西铁路工程职业技术学院,陕西,渭南,714000
  8. 中国科学院西安光学精密机械研究所中科院光谱成像技术重点实验室,陕西,西安,710119
  9. 成都理工大学,四川,成都,610059
  10. 西北大学,陕西,西安,710127
- 作者简介：
- 基金信息：
  
  中国科学院"西部之光"项目 (No.XAB2016B23）
- DOI：10.3969/j.issn.0372-2112.2020.09.001
  中图分类号： TP391.41
- 网络出版：2020-09-25，
  
  纸质出版：2020
- 稿件说明：
移动端阅览
马少雄, 邱实, 唐颖, 等. 基于工地场景的深度学习目标跟踪算法[J]. 电子学报, 2020,48(9):1665-1671.

MA Shao-xiong, QIU Shi, TANG Ying, et al. Deep Learning Target Tracking Algorithm Based on Construction Site Scene[J]. Acta Electronica Sinica, 2020, 48(9): 1665-1671.
马少雄, 邱实, 唐颖, 等. 基于工地场景的深度学习目标跟踪算法[J]. 电子学报, 2020,48(9):1665-1671. DOI： 10.3969/j.issn.0372-2112.2020.09.001.

MA Shao-xiong, QIU Shi, TANG Ying, et al. Deep Learning Target Tracking Algorithm Based on Construction Site Scene[J]. Acta Electronica Sinica, 2020, 48(9): 1665-1671. DOI： 10.3969/j.issn.0372-2112.2020.09.001.

摘要

针对施工现场环境复杂，难以高效管理的问题.提出了基于工地场景的深度学习目标跟踪算法，辅助施工顺利进行.根据工地现场目标的连续性，构建增强群跟踪器，提升目标成功跟踪的概率.然后从滑动窗口、Stacked Denoising Auto Encoder（SDAE）和Support Vector Machine（SVM）三方面组建深度检测器.在滑动窗口方面：从梯度角度建立模型实现窗口自适应.在SDAE算法方面：构建反向算法微调网络参数.优化SVM算法降低跟踪时目标漂移和跟踪失败的概率，最终实现目标高精度跟踪.通过实验表明本文提出的算法可有效对目标进行跟踪，实现动态管理.

Abstract

Construction site is difficult to be effectively managed owing to its complex environment. A deep learning target tracking algorithm based on construction site scene is proposed to assist the construction progress. Firstly

according to the continuity of the target in the site scene

the enhanced group tracker is constructed to improve the successful probability of target tracking. Then

the depth detector is constructed with sliding window

stacked denoising auto encoder (SDAE) and support vector machine (SVM). Sliding window: a model is built from the gradient angle to realize window adaption. SDAE algorithm: the reverse algorithm is built to fine-tune network parameters. Optimized SVM algorithm reduces the probability of target drift and tracking failure. Finally

high precision tracking is achieved. Experiments show that the proposed algorithm can track the target effectively and realize dynamic management.

关键词

Keywords

references

浏览量

365

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向时序异常检测的可变视距多向扫描方法

基于稀疏平滑自蒸馏的差分隐私深度学习方法

基于非一般类算子融合方法及硬件架构设计

基于注意力融合多尺度特征的解压缩点云质量增强方法

基于深度压缩感知的联合信源信道编码方法研究