目標(biāo)跟蹤存在著許多影響因素,導(dǎo)致算法的跟蹤效果達不到預(yù)期。為實現(xiàn)更加精確、魯棒的目標(biāo)跟蹤,本文在核相關(guān)濾波跟蹤框架的基礎(chǔ)上,結(jié)合近年優(yōu)秀的跟蹤算法和深度學(xué)習(xí)領(lǐng)域相關(guān)的知識,針對跟蹤中出現(xiàn)的問題和不足,主要做了如下的工作。針對傳統(tǒng)特征的片面性,傳統(tǒng)跟蹤模型對于跟蹤漂移問題檢測手段和補救措施的缺乏等問題,本文提出了一種殘差深度特征和漂移檢測的核相關(guān)濾波跟蹤算法。通過卷積神經(jīng)網(wǎng)絡(luò)提取分層特征,在卷積神經(jīng)網(wǎng)絡(luò)加入殘差結(jié)構(gòu),連接不同的網(wǎng)絡(luò)層,實現(xiàn)淺層特征和深層特征的融合。不需要人為設(shè)計特征融合方式,網(wǎng)絡(luò)結(jié)構(gòu)能夠自動實現(xiàn)特征融合的功能。用深度特征區(qū)分目標(biāo)和背景,比傳統(tǒng)特征更具有分辨力,跟蹤結(jié)果更精確;為了判斷跟蹤過程中模型是否發(fā)生漂移,設(shè)計了響應(yīng)強度下降計數(shù)器,每一幀根據(jù)計數(shù)器的數(shù)值判斷是否出現(xiàn)模型漂移,并采取相對應(yīng)的模型更新方案作為補救措施。響應(yīng)強度下降計數(shù)器檢測模型漂移的策略能夠處理不同場景下跟蹤目標(biāo)的任務(wù),實現(xiàn)魯棒跟蹤。殘差深度特征和漂移檢測的核相關(guān)濾波跟蹤算法在OTB數(shù)據(jù)集上驗證,取得了一定的預(yù)期效果。針對目標(biāo)跟蹤算法中關(guān)于目標(biāo)特征的表達問題,傳統(tǒng)特征表達沒有深度特征有效,但是單一分辨率的... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)跟蹤中的挑戰(zhàn)視頻樣例

南京信息工程大但是 DSST 算法關(guān)于預(yù)測尺度變化依然位置濾波器預(yù)測位置要求很高，由于尺度濾而且兩者是獨立的，相比于 MOSSE 跟蹤算尺度的預(yù)測，花費時間頗高。2.2 基于深度學(xué)習(xí)的目標(biāo)跟蹤算法以深度學(xué)習(xí)為基礎(chǔ)的目標(biāo)跟蹤算法是近的特征學(xué)習(xí)能力得到的深度特征，相比于傳標(biāo)遮擋，形變等難點時，深度特征依然能夠深度特征是通過深度神經(jīng)網(wǎng)絡(luò)提取得到的，經(jīng)網(wǎng)絡(luò)來進行說明提取深度特征的流程，下卷積層輸入圖片 池化層

第二章 目標(biāo)跟蹤的算法研究2.2.1 多域?qū)W習(xí)的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤多域?qū)W習(xí)的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤算法(Learning Multi-Domain ConvolutionalNeural Networks for Visual Tracking，簡記為 MDNET)使用卷積神經(jīng)網(wǎng)絡(luò)進行端到端的分類和跟蹤任務(wù)，將分類和跟蹤兩個任務(wù)融合進同一個網(wǎng)絡(luò)中，減少網(wǎng)絡(luò)結(jié)構(gòu)，同時運用多域?qū)W習(xí)的方式，能夠正確的將背景和目標(biāo)進行分類。將跟蹤任務(wù)轉(zhuǎn)為分類任務(wù)，區(qū)分目標(biāo)和背景。同時，對于區(qū)分背景和目標(biāo)，淺層特征含有更大的分辨率，更有利于區(qū)分目標(biāo)和背景， MDNET 采用淺層網(wǎng)絡(luò)進行特征提取。跟蹤是一個實時任務(wù)，簡單的淺層網(wǎng)絡(luò)能夠更有效率的完成工作。下面圖 2-4 將介紹 MDNET 算法的網(wǎng)絡(luò)結(jié)構(gòu)，同時說明多域?qū)W習(xí)的方法。Conv1特征圖輸入圖片 Conv2 Conv3 Fc4 Fc5

【參考文獻】：
期刊論文
[1]基于大數(shù)據(jù)的智慧城市建設(shè)研究[J]. 王柯.  數(shù)碼世界. 2018(03)
[2]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[3]計算機視覺研究綜述[J]. 倪晨旭.  電子世界. 2018(01)
[4]人工智能:從科學(xué)夢到新藍海——人工智能產(chǎn)業(yè)發(fā)展分析及對策[J]. 朱巍,陳慧慧,田思媛,王紅武.  科技進步與對策. 2016(21)
[5]計算機視覺及其應(yīng)用[J]. 周國清,唐曉芳.  中國計算機用戶. 1996(08)

碩士論文
[1]智能監(jiān)控系統(tǒng)中運動目標(biāo)檢測跟蹤的研究[D]. 郝菲.北京交通大學(xué) 2009



本文編號：3031826