發(fā)布時間：2020-10-24 02:33

　　 視覺單目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域的基本任務(wù)之一�，F(xiàn)實生活中,各種干擾因素,如遮擋、形變、相似物干擾、分辨率低、背景嘈雜等,導(dǎo)致目標(biāo)在運動過程中表觀形狀發(fā)生變化,加劇了目標(biāo)跟蹤的難度。近年來,基于相關(guān)濾波器(Correlation Filter,CF)和深度學(xué)習(xí)(Deep Learning)的方法明顯改進(jìn)了跟蹤性能�；谙嚓P(guān)濾波器的模型具有高效的計算優(yōu)勢,而基于深度學(xué)習(xí)的方法則學(xué)習(xí)較強(qiáng)的特征表達(dá)能力,有助于提升定位準(zhǔn)確度�，F(xiàn)有相關(guān)濾波器方法或簡單使用預(yù)訓(xùn)練網(wǎng)絡(luò)提取深度特征,或采用簡單特征選擇和特征融合機(jī)制結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)。另一方面,簡單相關(guān)濾波器模型被嵌入卷積神經(jīng)網(wǎng)絡(luò),但無法發(fā)揮改進(jìn)的相關(guān)濾波器模型對邊界效應(yīng)的處理優(yōu)勢,進(jìn)而無法達(dá)到與直接使用深度特征相當(dāng)?shù)母櫺Ч，F(xiàn)有方法在實時性和魯棒性方面仍存在瓶頸,快速魯棒的目標(biāo)跟蹤模型仍有待進(jìn)一步研究。目標(biāo)跟蹤過程通常由運動模型、特征提取、觀測模型和模型更新構(gòu)成,而其中特征提取和觀測模型對跟蹤效果有較大影響。由于目標(biāo)外觀的多樣性,以及目標(biāo)在運動過程中外觀變化的多樣性,給特征表達(dá)能力帶來巨大挑戰(zhàn)。在基于判別式的跟蹤模型中,如何設(shè)計觀測模型,將目標(biāo)從背景中區(qū)分出來,是定位準(zhǔn)確的關(guān)鍵�，F(xiàn)有的目標(biāo)跟蹤方法,經(jīng)歷了從手工設(shè)計特征到深度特征的改進(jìn),但在深度特征利用和計算效率方面有待改進(jìn)。在觀測模型方面,近年來,相關(guān)濾波器受到重點關(guān)注,并被不斷改進(jìn),但如何設(shè)計相關(guān)濾波器模型引導(dǎo)的深度學(xué)習(xí)目標(biāo)跟蹤模型仍有待進(jìn)一步研究。本文將從特征增強(qiáng)和觀測模型兩方面展開研究,主要內(nèi)容包括:(1)為解決基于支持向量的跟蹤模型計算復(fù)雜度高,無法滿足跟蹤實時性要求的缺點,通過結(jié)合密集采樣,將基于正則化最小二乘模型(Regularized Least Square,RLS)的相關(guān)濾波器擴(kuò)展到基于大間隔分類的密集分類問題。提出了一種基于支持向量的相關(guān)濾波器(Support Correlation Filter,SCF)模型和交替迭代優(yōu)化算法。利用相關(guān)濾波器的快速計算機(jī)制,和非對稱的平方折頁損失函數(shù),在保證跟蹤實時性的同時,進(jìn)一步提高分類器對前景和背景的判別能力,改進(jìn)跟蹤效果。(2)直接使用在大規(guī)模靜態(tài)圖像數(shù)據(jù)集和圖像分類任務(wù)上訓(xùn)練的網(wǎng)絡(luò)提取特征,并未考慮對目標(biāo)跟蹤問題中序列圖像的適用性。而基于大規(guī)模視頻數(shù)據(jù)集訓(xùn)練的模型,通常為提高速度,設(shè)計淺層、順序的CNN特征提取結(jié)構(gòu),并未充分利用深度特征�；谌矸e孿生網(wǎng)絡(luò)(Fully-Convolutional Siamese Network,SiameseFC)框架,利用大規(guī)模視頻數(shù)據(jù)集,本文引入自頂向下模塊(Top-Down Modulation,TDM)進(jìn)行特征增強(qiáng)學(xué)習(xí)。通過將頂層語義特征向下傳遞,指導(dǎo)底層特征的學(xué)習(xí)和選擇,使得網(wǎng)絡(luò)的單層輸出既能捕獲細(xì)節(jié)特征,又包含高層語義信息。針對樣本不均衡問題,進(jìn)一步通過改進(jìn)的折頁損失函數(shù),挖掘困難樣本加強(qiáng)深度特征的判別能力和相似性函數(shù)的匹配能力。(3)基于跳躍連接形式的深度特征增強(qiáng)方案,往往需要引入大量參數(shù),為模型訓(xùn)練帶來挑戰(zhàn)。為同時實現(xiàn)增強(qiáng)頂層特征的表達(dá)能力和對非均勻尺度變化的魯棒性,提出了一種自適應(yīng)多因子空洞卷積的特征增強(qiáng)方法。在共享卷積參數(shù)的前提下,通過控制膨脹因子,提取具有不同感受野大小的特征。進(jìn)一步引入自適應(yīng)最大化加權(quán)特征融合方案,對具有不同感受野大小的特征進(jìn)行整合。根據(jù)目標(biāo)尺度自適應(yīng)地選取對應(yīng)感受野大小的特征,或根據(jù)物體內(nèi)不同部分的尺度自適應(yīng)地選取局部特征,以增強(qiáng)特征的表達(dá)能力和對非均勻尺度變化的魯棒性。(4)為解決基于深度學(xué)習(xí)的跟蹤模型在在線跟蹤過程中缺乏模型自適應(yīng)性的缺點,本文通過定義二層優(yōu)化問題將背景感知的相關(guān)濾波器(Back-aware Correlation Filter,BACF)嵌入CNN,提出了 一種相關(guān)濾波器模型引導(dǎo)和模特征學(xué)習(xí)學(xué)習(xí)想結(jié)合的端到端網(wǎng)絡(luò)結(jié)構(gòu)。為將BACF嵌入CNN,將求解BACF的交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)展開得到截斷推理模型(更新子網(wǎng)絡(luò))。在跟蹤過程中,利用前一幀目標(biāo)信息計算濾波器用于當(dāng)前幀的目標(biāo)定位,實現(xiàn)了模型自適應(yīng)。為增強(qiáng)濾波器的魯棒性,在損失函數(shù)中約束當(dāng)前幀得到的濾波器在未來幀上仍具有一定的判別能力。訓(xùn)練過程中,使用貪心訓(xùn)練機(jī)制,逐階段訓(xùn)練截斷推理模型,然后再進(jìn)行特征表達(dá)和截斷預(yù)測模型的聯(lián)合學(xué)習(xí)。通過聯(lián)合學(xué)習(xí),提高了特征和表觀模型的判別能力。
【學(xué)位單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TN713
【部分圖文】：

域等價快速計算，但同時帶來的邊界效應(yīng)也是影響濾波器性能提升的一個主要??問題。循環(huán)移位產(chǎn)生的樣本，只有中心樣本是準(zhǔn)確的，其他合成樣本都會存在??位移邊界，如圖１－３所示，而這些合成的負(fù)樣本會干擾分類器的訓(xùn)練，致使響??應(yīng)圖中背景區(qū)域響應(yīng)過大，如何在空間域進(jìn)行約束是改進(jìn)相關(guān)濾波觀測模型的??關(guān)鍵。常用的解決方法是在圖像特征上加余弦窗減弱邊界的影響，但該方法無??法從根本上解決問題。Ｄａｎｅｌｌｊａｎ等人提出了帶空間約束的正則化相關(guān)濾波器模??型（Ｓｐａｔｉａｌｌｙ?Ｒｅｇｕｌａｒｉｚｅｄ?Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ?Ｃｏｒｒｅｌａｔｉｏｎ?Ｆｉｌｔｅｒ，?ＳＲＤＣＦ）［６５’６６］，通過對濾波??器在空間域進(jìn)行顯式的正則，有效抑制背景區(qū)域的響應(yīng)，進(jìn)一步通過擴(kuò)大搜索??區(qū)域，在減弱邊界效應(yīng)的同時充分利用了背景信息。然而，ＳＲＤＣＦ采用了高斯??－賽德爾迭代求解方法，速度太慢。０＆１〇〇§＆１１丨［６７’６８］等人提出了另一種解決思路，??如何利用真實的負(fù)樣本，但同時要保證樣本是循環(huán)的以便利用循環(huán)矩陣的特性??在頻域進(jìn)行快速求解。作者提出擴(kuò)大搜索區(qū)域

將面向單＿標(biāo)跟蹤問題，從觀測模型和特征增強(qiáng)角度出發(fā)，設(shè)計高效的跟蹤模??型與求解算法、及魯棒的特征增強(qiáng)方案，從跟蹤精度和跟蹤速度兩方面改進(jìn)■??標(biāo)跟蹤效果。論文結(jié)構(gòu)及各章聯(lián)系如圖１－４所示。??各簟主要研究內(nèi)容如下：??？第２章｜基于支持向量機(jī)（ＳＶＭ）和相關(guān)濾波器（ＣＦ）的跟蹤模型－基？于人??工設(shè)計特征的跟蹤模型中，ＳＶＭ和ＣＦ分別具有判別能力強(qiáng)和計算裔效的優(yōu)??勢。但由于跟蹤過程中不斷增加的訓(xùn)練樣本，增加了基于ＳＶＭ的目標(biāo)跟蹤方??法的計算復(fù)雜度，限制了在線跟蹤速度。而基于ＣＦ的目標(biāo)跟蹤方法在龍則化??最小二乘．獲型約東下，墟波器拍判別性能有待進(jìn)一歩提葡。本攀提出了墨于．支??持尙量前相關(guān)濾波器（Ｓｕｐｐｏｒｔ?Ｃｏｒｒｅｌａｔｉｏｎ?Ｆｉｌｔｅｒ，ＳＣＦ）．模１Ｌ通過最小化等方折頁??損失求解相關(guān)濾波器，非對稱的損失函數(shù)可以提高．相關(guān)濾波器對＿標(biāo)和背景的??判別能力。該模型可通過交替迭代更新方式求解，其中相關(guān)濾波器可在頻域求??解

實現(xiàn)后續(xù)幀中ｇ標(biāo)區(qū)域和背景的分離，從而實現(xiàn)自標(biāo)定的判別性能對跟蹤效果有百大影響。在經(jīng)典的機(jī)器學(xué)習(xí)ｓｖｍ）［８４］作為一個廣義線性分類器，優(yōu)化Ｂ標(biāo)同時考慮了具有一定的穩(wěn)定性，而折頁損失（Ｈｉｎｇｅ?Ｌｏｓｓ）函數(shù)又使非線性問題中降低了計算和存儲開銷。ＳＶＭ具有良好別力基于ＳＶＭ的目標(biāo)跟蹤算法也得到了廣泛研究Ｉ１分：采樣－生成一系列正負(fù)樣本，學(xué)習(xí)－使用訓(xùn)練樣本程中，為實現(xiàn)模型自適應(yīng)性，需要不斷進(jìn)行樣本采集和練樣本積累進(jìn)一步增加了?ＳＶＭ的計算復(fù)雜度，同時給類器求解帶來了維度災(zāi)難。該問題可通過約束訓(xùn)練樣本［１８，?６０］，但卻限制了?ＳＶＭ的判別能力，進(jìn)而影響了跟面，相關(guān)濾波器（ＣＦ）通過利用快速傅里葉變換，實現(xiàn)了和物體定位，并被廣泛用于各種問題，如Ｓ標(biāo)檢測［Ｓ７１，波器采用設(shè)計的模板生成苘尺寸的響應(yīng)圖，使得響應(yīng)圖響應(yīng)，而且抑制干擾區(qū)域?qū)?yīng)的響應(yīng)。??猶環(huán)移位１位??
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉彬;米東;杜曉明;顧闖;;仿真系統(tǒng)概念模型驗證方法的分析與選擇[J];計算機(jī)仿真;2012年05期

2 郝靖;畢學(xué)軍;曹偉華;;概念模型驗證[J];四川兵工學(xué)報;2008年05期

3 曹星平;;作戰(zhàn)模型驗證的過程成熟度模型[J];系統(tǒng)仿真學(xué)報;2006年08期

4 陳利,張慶明,王曉英,汪于力;仿真模型驗證方法與程序設(shè)計(英文)[J];Journal of Beijing Institute of Technology(English Edition);2002年02期

5 李偉;周玉臣;林圣琳;馬萍;楊明;;仿真模型驗證方法綜述[J];系統(tǒng)仿真學(xué)報;2019年07期

6 顧闖;賈希勝;劉彬;田書超;孫王虎;;概念模型驗證方法研究綜述[J];軍械工程學(xué)院學(xué)報;2013年06期

7 李青祝;馬玉娟;;基于知識的三維模型驗證開發(fā)技術(shù)的研究[J];煤礦機(jī)械;2011年08期

8 李青祝;馬玉娟;;基于知識的三維模型驗證開發(fā)技術(shù)的研究[J];制造技術(shù)與機(jī)床;2012年01期

9 劉曉曙;;譜估計在金融時間序列模型驗證中的應(yīng)用[J];清華大學(xué)學(xué)報(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2008年09期

10 高媛;李亮;馬儀煒;范瑾;;基于有限元模型驗證的控制室盤臺抗震鑒定[J];核電子學(xué)與探測技術(shù);2016年07期

相關(guān)博士學(xué)位論文 前10條

1 武小荷;基于模型引導(dǎo)和特征增強(qiáng)的深度視覺跟蹤方法研究[D];哈爾濱工業(yè)大學(xué);2019年

2 劉振宇;遼河流域殘留多氯有機(jī)物的多介質(zhì)環(huán)境模擬[D];大連理工大學(xué);2006年

3 錢曉超;考慮不確定性影響的仿真模型驗證及校準(zhǔn)方法研究[D];哈爾濱工業(yè)大學(xué);2016年

4 詹振飛;面向汽車安全的不確定性多元動態(tài)系統(tǒng)模型驗證理論和應(yīng)用研究[D];上海交通大學(xué);2011年

5 金景旭;汽車碰撞人體頭部流固耦合模型及傷害機(jī)理研究[D];吉林大學(xué);2015年

6 孔祥雪;腹腔鏡下肝部分切除術(shù)培訓(xùn)系統(tǒng)的建立及有效性評價[D];南方醫(yī)科大學(xué);2017年

7 劉金卓;基于符號化模型檢測的軟件演化過程模型驗證[D];云南大學(xué);2013年

8 魏來;高速列車相關(guān)運行安全性問題研究[D];西南交通大學(xué);2016年

9 錢萍;航天電連接器綜合應(yīng)力加速壽命試驗與統(tǒng)計分析的研究[D];浙江大學(xué);2010年

10 伍建焜;網(wǎng)構(gòu)軟件系統(tǒng)構(gòu)建的形式化分析研究[D];上海交通大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 王力冰;多域復(fù)雜產(chǎn)品設(shè)計平臺M-Design中模型驗證和自動布局功能的設(shè)計與實現(xiàn)[D];浙江大學(xué);2018年

2 宋婷;小樣本數(shù)據(jù)仿真模型驗證方法及面向服務(wù)工具研究[D];哈爾濱工業(yè)大學(xué);2018年

3 江文潔;基于模型驗證檢測軟件系統(tǒng)中智能模型的缺陷數(shù)據(jù)[D];浙江理工大學(xué);2019年

4 趙希堯;基于靜動態(tài)性能一致性分析的仿真模型驗證方法研究[D];哈爾濱工業(yè)大學(xué);2012年

5 李亞男;仿真系統(tǒng)模型驗證方法和工具研究[D];哈爾濱工業(yè)大學(xué);2008年

6 勇嘉偉;基于分布式系統(tǒng)的軟件模型驗證加速方法研究[D];大連理工大學(xué);2015年

7 馮躍忠;模型驅(qū)動的業(yè)務(wù)生成技術(shù)中模型驗證的研究與實現(xiàn)[D];北京郵電大學(xué);2008年

8 王志超;基于Pro/Engineer的模型驗證系統(tǒng)[D];山東大學(xué);2013年

9 張家棟;CAD模型驗證系統(tǒng)的研究與實現(xiàn)[D];山東大學(xué);2013年

10 舒良春;基于SPIN/Promela的UML模型驗證工具設(shè)計與實現(xiàn)[D];南昌大學(xué);2009年

本文編號：2853899