【摘要】：視覺(jué)目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域中的熱門研究之一,在智能監(jiān)控、人機(jī)交互、安防監(jiān)控等領(lǐng)域具有廣泛的應(yīng)用場(chǎng)景。近年來(lái),雖然研究人員已經(jīng)提出了大量?jī)?yōu)秀的視覺(jué)目標(biāo)跟蹤算法,但是實(shí)現(xiàn)一個(gè)魯棒的實(shí)時(shí)視覺(jué)跟蹤算法依然極具挑戰(zhàn)性。視覺(jué)目標(biāo)跟蹤的挑戰(zhàn)主要來(lái)源于跟蹤場(chǎng)景的復(fù)雜性和多變性(如相似干擾物,局部遮擋)和視覺(jué)跟蹤算法自身的缺陷。視覺(jué)跟蹤算法設(shè)計(jì)的難點(diǎn)在于精度和效率之間的平衡。本文主要圍繞基于孿生網(wǎng)絡(luò)的實(shí)時(shí)視覺(jué)目標(biāo)跟蹤展開(kāi)了研究,本文的主要貢獻(xiàn)點(diǎn)如下:(1)提出了一種基于自適應(yīng)特征選擇網(wǎng)絡(luò)的跟蹤算法(ASNT)。為了提升基于回歸網(wǎng)絡(luò)通用物體跟蹤算法在線適應(yīng)目標(biāo)的能力,ASNT引入一種可學(xué)習(xí)的選擇單元,用于增強(qiáng)目標(biāo)相關(guān)的卷積特征通道,減弱噪聲響應(yīng)。通過(guò)將回歸網(wǎng)絡(luò)分為特征表示、選擇單元和運(yùn)動(dòng)回歸等三個(gè)構(gòu)成部分,選擇性地對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào),增強(qiáng)了跟蹤器在線適應(yīng)目標(biāo)的能力。此外,提出通道隨機(jī)失活方法,有效避免了離線訓(xùn)練過(guò)程和在線學(xué)習(xí)時(shí)的過(guò)擬合現(xiàn)象。(2)提出了一種基于分類回歸孿生網(wǎng)絡(luò)與在線塊濾波器網(wǎng)絡(luò)相結(jié)合的跟蹤算法。針對(duì)孿生網(wǎng)絡(luò)容易受到相似干擾物的影響,在離線訓(xùn)練過(guò)程中,提出了一種圖像混合的方式,緩解了簡(jiǎn)單背景和復(fù)雜背景數(shù)據(jù)不均衡問(wèn)題,同時(shí)增強(qiáng)了利用小規(guī)模數(shù)據(jù)集訓(xùn)練的網(wǎng)絡(luò)的泛化能力。在線跟蹤過(guò)程中,通過(guò)一種高效的塊濾波器網(wǎng)絡(luò)引入了目標(biāo)的局部細(xì)節(jié)特征。并且,利用在線難樣本學(xué)習(xí)的方式避免了相似物體對(duì)跟蹤器的干擾,從而提升了整體跟蹤性能。通過(guò)在目標(biāo)跟蹤的權(quán)威數(shù)據(jù)集上進(jìn)行了大量的定量實(shí)驗(yàn)分析、屬性分析、定性實(shí)驗(yàn)分析、模塊有效性分析、和參數(shù)選擇分析等實(shí)驗(yàn),驗(yàn)證了本文提出的目標(biāo)跟蹤算法(ASNT和SiamRPN_OPF)的跟蹤性能達(dá)到接近最先進(jìn)算法的水平。本文提出的改進(jìn)算法,在保證實(shí)時(shí)性的前提下,提升了基于孿生網(wǎng)絡(luò)跟蹤算法的準(zhǔn)確率。通過(guò)模塊有效性分析實(shí)驗(yàn)證明了本文提出的跟蹤算法的有效性。
【圖文】：

華南理工大學(xué)碩士學(xué)位論文第二章 視覺(jué)目標(biāo)跟蹤算法概述跟蹤的定義是：給定待跟蹤目標(biāo)在視頻序列初始圖像幀中的中，，跟蹤算法需要不斷預(yù)測(cè)輸出跟蹤目標(biāo)的位置。單目標(biāo)視是先對(duì)目標(biāo)進(jìn)行特征描述，然后在后續(xù)視頻序列中找到與跟位置。視覺(jué)目標(biāo)跟蹤算法通常由以下步驟構(gòu)成[50]，如圖 2-1、觀測(cè)模型和模型更新。

示 和 是否表示的是同一個(gè)物體。 表示不同物試階段，固定所有的參數(shù)，利用目標(biāo)在初始幀中的詢特征與候選集中每個(gè)樣本特征的歐式距離，距離erest)即為跟蹤的目標(biāo)。5]， SiamFC[37]采用了全卷積方式，避免 SINT[35]中SiamFC[37]的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖 2-3 所示，SiamFC[37圖像塊 x 的特征 ( )進(jìn)行卷積得到響應(yīng)圖 r。響應(yīng)元素 r[u]表示了搜索圖像塊對(duì)應(yīng)位置 u 圖片小塊輯斯蒂損失(Logistic Loss)作為損失函數(shù)，如式(2-| = ( ) ( ) L(| -) = ∑ ￡ ( ¤( ))
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TN713

【參考文獻(xiàn)】

相關(guān)博士學(xué)位論文 前3條

1 崔雨勇;智能交通監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D];華中科技大學(xué);2012年

2 焦波;面向智能視頻監(jiān)控的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2009年

3 孔曉東;智能視頻監(jiān)控技術(shù)研究[D];上海交通大學(xué);2008年

本文編號(hào)：2601589