近年來,視覺目標跟蹤作為計算機視覺領域中的一個重要研究方向,已成為目前研究的熱點之一。目標跟蹤技術雖然隨著深度學習的發(fā)展和計算機性能的提升已取得較大的進展,但是仍然面臨諸多難題,運動目標發(fā)生尺度變化、形變,運動目標周邊存在復雜背景、相似目標、光照變化等會導致追蹤器產生漂移從而跟蹤失敗,故解決跟蹤難題提高追蹤器的準確性是研究者一直以來致力的方向。在閱讀大量國內文獻的基礎上,本文首先對視覺目標跟蹤的研究背景、意義以及國內外現(xiàn)狀進行了介紹;其次,簡述了相關濾波器、深度追蹤器、注意力機制的相關知識。結合濾波器、深度孿生網絡的優(yōu)勢以及注意力機制的優(yōu)越性,本文在深度孿生網絡的基礎上提出了基于目標似然矩陣的濾波器的目標跟蹤模型、基于通道空間注意力串行模塊的目標跟蹤模型,并且為證明所提方法的可靠性,設計實現(xiàn)了基于目標似然矩陣和注意力模塊的深度視覺目標追蹤原型系統(tǒng)。本文的主要研究工作如下:1)提出了基于目標似然矩陣的濾波器的視覺目標跟蹤模型�；谏疃葘\生網絡的視覺目標跟蹤模型簡單且能兼顧精度和速度,但是該模型由于不更新跟蹤模板導致不能很好的處理形變、背景雜亂等視覺目標跟蹤難題,而濾波器可實現(xiàn)快速計算,通... 

【文章來源】：江蘇大學江蘇省

【文章頁數】：78 頁

【學位級別】：碩士

【部分圖文】：

循環(huán)位移產生的樣本

基于目標似然矩陣和注意力模型的目標追蹤方法研究12的視覺跟蹤算法是SiamFC。本文工作涉及到的全卷積孿生網絡框架如圖2.2�；谌矸e深度孿生網絡的中心思想把兩個樣本通過神經網絡映射到新的空間并用向量對兩個樣本進行表示，選擇適當的loss函數，計算兩個樣本的相似度。假設輸入樣本1x和2x，通過神經網絡的映射函數f(x)得到向量1f(x)和2f(x)。兩個向量間的距離就可以用來表示兩個樣本間的相似度，設置loss函數計算兩個向量間的距離，這時可以選擇余弦函數、歐式距離或者指數函數等。通過loss訓練網絡使相似樣本間的距離越小，不同樣本間的距離越大，學習得到的權重w為兩個卷積神經網絡子網共享。最后網絡模型輸出兩個樣本的相似度E。圖2.2孿生網絡的結構框架圖近年來，孿生網絡因其架構簡單及表現(xiàn)出色而受到了普遍的歡迎，許多工作都是基于孿生網絡進行改進以期同時提高精度和速度。SINT[32]算法將視覺跟蹤任務看成是一個檢驗工作，檢驗后續(xù)視頻幀與起始幀間的相似性，同時該算法采用光流提升追蹤器的性能；EAST[33]算法對底層特征進行判斷，若能實現(xiàn)追蹤就無需提取目標的深度特征；DSiam[34]算法通過在線學習待跟蹤目標的外觀變化從而提升網絡提取的特征的表征能力。總的來說，深度孿生網絡的改進可分為兩種代表性的方法：一、對孿生網絡的子網分支進行修改。如RASNet[35]算法對孿生網絡的目標模板分支進行修改，將模板特征圖通過generalattention、channel

基于目標似然矩陣和注意力模型的目標追蹤方法研究14神經網絡的本質是將一個輸入X通過映射函數輸出Y，函數的系數就是不斷訓練網絡模型得到的參數。一旦確定函數的系數，對于給定的輸入x就可以得到對應的輸出y。在深度學習任務中，給定的訓練集通常包含輸入X和輸出Y，為了使網絡模型的真實輸出Y盡可能接近給定訓練集的輸出Y，需要不斷調整網絡模型參數。整個過程將涉及到前向傳播和反向傳播（BP）[38]。在介紹BP算法前，需要了解前向傳播即輸入X如何得到輸出Y。如圖2.3所示，圖中只顯示了網絡的三層結構，通過第一次的權重W(1)和偏置b(1)可以計算出第二層的激活值(2)a，通過第二層可以計算第三層的激活值(3)a，同理，我們將其拓展，給定l層的激活值，則第l+1層的激活值如式（2.6）所示。(1)(1)()()()()()()()()(())llllllllafzfWabfWfzb++==+=+（2.6）圖2.3神經網絡結構圖BP算法的核心思想是設計一個基于網絡參數的代價函數，對各層的權重W和偏置b求偏導表達式，表達式可表示代價函數隨網絡模型參數變化的程度。若代價函數與預期值相差較大，則需要大幅度調整權重W和偏置b，目的是要不斷更新代價函數使其盡可能接近預期值，重復以上過程直至代價函數值在允許的誤差內才停止算法。對于一個包含m個樣本的訓練集，設計其整體的代價函數J(W,b)如式（2.7）所示。112()()()2,111111(,)()()22lllmnssiilWbjiilijJWbhxyWm+=====+（2.7）其中，第一項為均方差項，第二項為正則項，防止網絡模型過擬合。為使代價函2.3神經網絡中BP算法


本文編號：2983879