本文選題：目標(biāo)跟蹤 + 卷積神經(jīng)網(wǎng)絡(luò)　； 參考：《華僑大學(xué)》2017年碩士論文

【摘要】：目標(biāo)跟蹤是計(jì)算機(jī)視覺研究的一個(gè)重要方向,由于具有廣泛的應(yīng)用前景,如智能視頻監(jiān)控,人機(jī)交互,機(jī)器人等,吸引了國(guó)內(nèi)外大量學(xué)者研究的熱潮,但由于目標(biāo)跟蹤面臨各種復(fù)雜因素,如何設(shè)計(jì)一個(gè)魯棒的目標(biāo)跟蹤算法還需要不斷地努力。近幾年,由于深度學(xué)習(xí)(Deep Learning)的發(fā)展,基于深度學(xué)習(xí)的目標(biāo)跟蹤算法取得了很大的突破,但由于在目標(biāo)跟蹤中獲取訓(xùn)練樣本較少,需要大量數(shù)據(jù)離線訓(xùn)練深度模型,既耗時(shí),且離線學(xué)到的特征表示不一定對(duì)在線的目標(biāo)跟蹤有益。同時(shí)由于實(shí)際數(shù)據(jù)往往存在噪聲,基于深度模型學(xué)到的特征表示有可能存在與任務(wù)不相關(guān)的模式,影響算法的性能。針對(duì)上述提到的問(wèn)題,本文提出了兩種新穎的目標(biāo)跟蹤算法,本文研究的主要內(nèi)容如下:1)提出了基于似物性采樣和PCA卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法。近幾年基于深度學(xué)習(xí)(Deep Learning)的目標(biāo)跟蹤算法受到廣泛關(guān)注,然而缺少訓(xùn)練樣本成為最大的瓶頸,通過(guò)離線訓(xùn)練深度模型既耗時(shí),且學(xué)到的基本特征表示不一定對(duì)在線目標(biāo)跟蹤有益。針對(duì)這個(gè)問(wèn)題,本文提出了一種基于PCA卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)表觀模型,該網(wǎng)絡(luò)不需要離線訓(xùn)練,卷積模板通過(guò)主成成分分析(PCA)算法在線學(xué)習(xí)得到,同時(shí)對(duì)學(xué)到的特征采用軟閾值方法(soft-thresholding)獲得更加魯棒的稀疏特征表示。為了進(jìn)一步提升跟蹤算法性能,基于物體邊緣輪廓信息的似物性采樣方法計(jì)算目標(biāo)物體的似物性分值,最后通過(guò)多線索融合機(jī)制估計(jì)出目標(biāo)的最佳狀態(tài),并在常用的目標(biāo)跟蹤數(shù)據(jù)庫(kù)(OTB-50)上做了實(shí)驗(yàn)分析,驗(yàn)證了算法的有效性。2)提出了基于似物性采樣和閥門卷積深度網(wǎng)絡(luò)的目標(biāo)跟蹤算法。目標(biāo)跟蹤算法的性能主要取決于物體表觀的特征表示(包括特征學(xué)習(xí)和特征選擇)。跟蹤算法的一個(gè)通常假設(shè)是原始視頻數(shù)據(jù)是沒有噪聲的,然而這個(gè)假設(shè)太過(guò)嚴(yán)格,尤其是在復(fù)雜的現(xiàn)實(shí)場(chǎng)景中,如果一開始就沒有好的原始特征數(shù)據(jù),有可能會(huì)降低算法學(xué)習(xí)的能力。針對(duì)這個(gè)問(wèn)題,本文設(shè)計(jì)了一種新穎的基于閥門卷積深度網(wǎng)絡(luò)的目標(biāo)表觀模型,該模型通過(guò)閥門機(jī)制能夠選擇與任務(wù)相關(guān)模式的特征,并且能夠?qū)⑻卣鲗W(xué)習(xí)和特征選擇統(tǒng)一于同一框架。同時(shí)為了減緩目標(biāo)發(fā)生“漂移”,融合了基于物體邊緣輪廓信息的似物性采樣方法來(lái)進(jìn)一步提升算法的準(zhǔn)確率,并在常用的目標(biāo)跟蹤數(shù)據(jù)庫(kù)(OTB-50)上做了實(shí)驗(yàn)分析,驗(yàn)證了算法的有效性。
[Abstract]:Target tracking is an important direction of computer vision research. Because of its wide application prospect, such as intelligent video surveillance, human-computer interaction, robot, etc., it attracts a lot of scholars at home and abroad. However, due to the complexity of target tracking, it is necessary to design a robust target tracking algorithm. In recent years, due to the development of Deep Learning (Deep Learning), the target tracking algorithm based on deep learning has made a great breakthrough. However, because of the small number of training samples obtained in target tracking, it requires a lot of data to train depth model offline, which is time-consuming. And the offline feature representation is not necessarily useful for online target tracking. At the same time, because of the noise in the actual data, the feature representation based on the depth model is likely to have a pattern that is not related to the task, which affects the performance of the algorithm. Aiming at the above mentioned problems, two novel target tracking algorithms are proposed in this paper. The main contents of this paper are as follows: 1) A target tracking algorithm based on quasi-physical sampling and PCA convolution neural network is proposed. In recent years, the target tracking algorithm based on Deep Learning Learning has received wide attention. However, the lack of training samples has become the biggest bottleneck, and it is time-consuming to use off-line training depth model. And the basic feature representation is not necessarily beneficial to online target tracking. In order to solve this problem, this paper presents a target representation model based on PCA convolution neural network, which does not require offline training, and the convolution template is obtained by the principal component analysis (PCA) algorithm. At the same time, soft threshold method is used to obtain a more robust sparse feature representation. In order to further improve the performance of the tracking algorithm, the physical property sampling method based on the contour information of the object edge is used to calculate the object-like property score of the target object. Finally, the best state of the target is estimated by the multi-clue fusion mechanism. Based on OTB-50), a target tracking algorithm based on quasi-physical sampling and valve convolution depth network is proposed, which validates the validity of the algorithm. The performance of the target tracking algorithm mainly depends on the feature representation (including feature learning and feature selection). One of the common assumptions of the tracking algorithm is that the original video data is noise-free, but this assumption is too strict, especially in complex real-world scenarios, if there is no good original feature data at first. It is possible to reduce the ability of algorithm learning. To solve this problem, a novel target model based on valve convolution depth network is designed in this paper. The model can select the characteristics of task-related modes through valve mechanism. And feature learning and feature selection can be unified in the same framework. At the same time, in order to reduce the "drift" of the target, this paper combines the object-like sampling method based on the contour information of the object edge to further improve the accuracy of the algorithm, and makes an experimental analysis on the commonly used target tracking database (OTB-50). The validity of the algorithm is verified.
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高翔;;基于粒子濾波的目標(biāo)跟蹤算法淺析[J];硅谷;2011年09期

2 金忠;一種多目標(biāo)跟蹤算法[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);1985年S1期

3 龔萍;張輝;毛征;張慶龍;孔文超;;融合局部熵二維熵的空中目標(biāo)跟蹤算法研究[J];國(guó)外電子測(cè)量技術(shù);2014年01期

4 馬奔,史忠科,皮燕妮;成像目標(biāo)跟蹤算法分析[J];西安電子科技大學(xué)學(xué)報(bào);2005年03期

5 孫中森;孫俊喜;宋建中;喬雙;;一種抗遮擋的運(yùn)動(dòng)目標(biāo)跟蹤算法[J];光學(xué)精密工程;2007年02期

6 陳愛華;孟勃;朱明;王艷華;;多模式融合的目標(biāo)跟蹤算法[J];光學(xué)精密工程;2009年01期

7 牛長(zhǎng)鋒;劉玉樹;;融合多特征的粒子濾波目標(biāo)跟蹤算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

8 蔡榮太;吳元昊;王明佳;吳慶祥;;視頻目標(biāo)跟蹤算法綜述[J];電視技術(shù);2010年12期

9 佟國(guó)峰;蔣昭炎;谷久宏;龐曉磊;;基于隨機(jī)蕨叢的長(zhǎng)期目標(biāo)跟蹤算法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

10 曹曉麗;李明;邢玉娟;譚萍;;幾種自動(dòng)目標(biāo)跟蹤算法的比較研究[J];硅谷;2013年02期

相關(guān)會(huì)議論文 前10條

1 徐炳吉;;一種多站聯(lián)合目標(biāo)跟蹤算法[A];數(shù)學(xué)及其應(yīng)用文集——中南模糊數(shù)學(xué)和系統(tǒng)分會(huì)第三屆年會(huì)論文集（上卷）[C];1995年

2 杜方芳;劉士榮;邱雪娜;;一種改進(jìn)的粒子濾波目標(biāo)跟蹤算法[A];PCC2009—第20屆中國(guó)過(guò)程控制會(huì)議論文集[C];2009年

3 付曉薇;方康玲;李曦;;一種基于特征的多目標(biāo)跟蹤算法[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

4 許偉村;趙清杰;;一種基于粒子濾波的多目標(biāo)跟蹤算法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

5 李軍;張華;單梁;;一種基于Mean shift和粒子濾波的綜合目標(biāo)跟蹤算法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

6 肖敬若;胡伏原;鄭江濱;張艷寧;;一種有效的多目標(biāo)跟蹤算法[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

7 鄭黎義;陳興無(wú);王磊;李正東;;紅外/雷達(dá)雙傳感器融合目標(biāo)跟蹤算法[A];中國(guó)工程物理研究院科技年報(bào)（2005）[C];2005年

8 張震宇;王立松;;基于粒子濾波的傳感器目標(biāo)跟蹤算法[A];2008年中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集（上冊(cè)）[C];2009年

9 王亞楠;陳杰;甘明剛;;基于差分進(jìn)化的改進(jìn)粒子濾波目標(biāo)跟蹤算法[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

10 張濤;費(fèi)樹岷;胡剛;;基于多特征信息自適應(yīng)融合的視頻目標(biāo)跟蹤算法[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 胡子軍;基于隨機(jī)有限集的雷達(dá)多目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2015年

2 張雷;復(fù)雜場(chǎng)景下實(shí)時(shí)目標(biāo)跟蹤算法及實(shí)現(xiàn)技術(shù)研究[D];中國(guó)科學(xué)院研究生院(長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2016年

3 王晶晶;復(fù)雜擁擠環(huán)境下協(xié)同視頻監(jiān)控中目標(biāo)跟蹤算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

4 田浩;基于核函數(shù)的目標(biāo)跟蹤算法研究[D];長(zhǎng)安大學(xué);2016年

5 秦永;基于隨機(jī)有限集的目標(biāo)跟蹤算法研究[D];華中科技大學(xué);2016年

6 項(xiàng)俊;基于檢測(cè)的數(shù)據(jù)關(guān)聯(lián)多目標(biāo)跟蹤算法研究[D];華中科技大學(xué);2016年

7 金加根;基于元數(shù)據(jù)的雷達(dá)目標(biāo)檢測(cè)和跟蹤研究[D];武漢理工大學(xué);2015年

8 盧建國(guó);基于粒子濾波的視頻目標(biāo)跟蹤算法研究[D];北京郵電大學(xué);2011年

9 馮巍;分布式多視角目標(biāo)跟蹤算法研究[D];復(fù)旦大學(xué);2011年

10 王書朋;視頻目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 張健;形變目標(biāo)跟蹤算法的研究與實(shí)現(xiàn)[D];遼寧大學(xué);2015年

2 張巧麗;基于LabVIEW的運(yùn)動(dòng)目標(biāo)跟蹤算法研究與實(shí)現(xiàn)[D];陜西科技大學(xué);2015年

3 鐘寶康;基于壓縮感知的預(yù)測(cè)目標(biāo)跟蹤算法研究[D];江西理工大學(xué);2015年

4 薛桐;基于CamShift的運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D];沈陽(yáng)理工大學(xué);2015年

5 王增宇;基于稀疏表達(dá)的目標(biāo)跟蹤算法研究[D];沈陽(yáng)理工大學(xué);2015年

6 王靜;結(jié)構(gòu)化的表觀模型及兩階段目標(biāo)跟蹤算法研究[D];沈陽(yáng)理工大學(xué);2015年

7 葛凱蓉;自然場(chǎng)景下目標(biāo)跟蹤算法的研究[D];山東大學(xué);2015年

8 向偉;基于檢測(cè)的目標(biāo)跟蹤算法研究[D];上海交通大學(xué);2015年

9 單順勇;結(jié)合多示例學(xué)習(xí)和模板匹配的目標(biāo)跟蹤算法研究[D];江西理工大學(xué);2015年

10 張碧武;基于單目視覺的目標(biāo)跟蹤算法的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2015年

，

本文編號(hào)：1893160