發(fā)布時間：2021-02-17 10:12

　　視覺目標(biāo)跟蹤是計算機視覺中一個基礎(chǔ)且重要的研究領(lǐng)域,在智能視頻監(jiān)控、人機交互、虛擬現(xiàn)實、視覺導(dǎo)航和醫(yī)學(xué)診斷等諸多領(lǐng)域有著廣泛的應(yīng)用。在視頻第一幀中給定任意感興趣的目標(biāo)的初始位置和大小后,視覺目標(biāo)跟蹤旨在估計該目標(biāo)在后續(xù)視頻幀中的位置和大小。國內(nèi)外研究者對視覺目標(biāo)跟蹤問題已經(jīng)開展了較多的研究,并在簡單的場景中取得了較好的跟蹤精度,如靜態(tài)場景下的剛體目標(biāo)跟蹤。然而,在實際應(yīng)用中,被跟蹤目標(biāo)通常會處于復(fù)雜場景中,存在著包括遮擋、變形、旋轉(zhuǎn)、尺度變化、快速運動、運動模糊、光照變化和背景雜亂等一種或多種干擾因素,這增加了目標(biāo)外觀建模的難度,使得如何準(zhǔn)確、高效、魯棒地跟蹤目標(biāo)仍然是一個具有挑戰(zhàn)性的問題。近年來,針對復(fù)雜場景下的視覺目標(biāo)跟蹤已經(jīng)開展了一些研究,并提出了相應(yīng)的跟蹤算法。本文在分析已有跟蹤算法的基礎(chǔ)上,結(jié)合相關(guān)濾波（Correlation Filter）和深度學(xué)習(xí)技術(shù)對復(fù)雜場景中的視覺目標(biāo)跟蹤開展了深入研究。本文的具體工作如下:1、結(jié)合分塊思想和相關(guān)濾波技術(shù),提出了一種基于全局和局部特征的多相關(guān)濾波協(xié)同跟蹤算法KCF-HR。首先,設(shè)計了一種衡量圖像塊置信度的評價指標(biāo),并基于此提出了一種局... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：125 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 視覺目標(biāo)跟蹤面臨的挑戰(zhàn)
    1.3 國內(nèi)外研究歷史與現(xiàn)狀
        1.3.1 基于生成模型的跟蹤算法
        1.3.2 基于判別模型的跟蹤算法
    1.4 本文的主要研究內(nèi)容
    1.5 本論文的結(jié)構(gòu)安排
第二章 相關(guān)理論基礎(chǔ)
    2.1 視覺目標(biāo)跟蹤
    2.2 基于相關(guān)濾波的目標(biāo)跟蹤
    2.3 基于深度學(xué)習(xí)的目標(biāo)跟蹤
    2.4 數(shù)據(jù)集和評價指標(biāo)
        2.4.1 OTB數(shù)據(jù)集和評價指標(biāo)
        2.4.2 VOT數(shù)據(jù)集和評價指標(biāo)
    2.5 本章小結(jié)
第三章 基于全局和局部特征的多相關(guān)濾波協(xié)同跟蹤算法
    3.1 現(xiàn)有研究分析
    3.2 基于全局和局部特征的多相關(guān)濾波協(xié)同跟蹤算法
        3.2.1 基于局部模型的粗略位置估計
        3.2.2 基于全局模型的目標(biāo)狀態(tài)估計
        3.2.3 模型更新
    3.3 實驗與結(jié)果分析
        3.3.1 實驗設(shè)置
        3.3.2 定性分析
        3.3.3 定量分析
    3.4 本章小結(jié)
第四章 尺度自適應(yīng)的相關(guān)濾波跟蹤算法
    4.1 現(xiàn)有研究分析
    4.2 CFSA跟蹤算法的總體框架
    4.3 候選邊界框生成模塊
    4.4 目標(biāo)尺度估計模塊
    4.5 CFSA跟蹤算法的工作流程
    4.6 實驗與結(jié)果分析
        4.6.1 實驗設(shè)置
        4.6.2 定性分析
        4.6.3 定量分析
    4.7 本章小結(jié)
第五章 基于自適應(yīng)加權(quán)多層CNN特征的相關(guān)濾波跟蹤算法
    5.1 現(xiàn)有研究分析
    5.2 基于自適應(yīng)加權(quán)多層CNN特征的相關(guān)濾波跟蹤算法
        5.2.1 多尺度CNN特征提取網(wǎng)絡(luò)
        5.2.2 自適應(yīng)特征加權(quán)網(wǎng)絡(luò)
    5.3 AWMF-CFNet跟蹤算法的訓(xùn)練和跟蹤過程
        5.3.1 算法的訓(xùn)練過程
        5.3.2 算法的跟蹤過程
    5.4 實驗與結(jié)果分析
        5.4.1 實驗設(shè)置
        5.4.2 定性分析
        5.4.3 定量分析
    5.5 本章小結(jié)
第六章 基于區(qū)域的孿生網(wǎng)絡(luò)跟蹤算法
    6.1 現(xiàn)有研究分析
    6.2 基于區(qū)域的孿生網(wǎng)絡(luò)跟蹤算法
        6.2.1 多尺度CNN特征融合網(wǎng)絡(luò)
        6.2.2 基于分塊思想的特征整合網(wǎng)絡(luò)
    6.3 RSNet跟蹤算法的訓(xùn)練和跟蹤過程
        6.3.1 算法的訓(xùn)練過程
        6.3.2 算法的跟蹤過程
    6.4 實驗與結(jié)果分析
        6.4.1 實驗設(shè)置
        6.4.2 定性分析
        6.4.3 定量分析
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 未來工作展望
致謝
參考文獻
攻讀博士學(xué)位期間取得的成果


【參考文獻】：
期刊論文
[1]融入深度特征的多模板相關(guān)濾波跟蹤算法[J]. 李宗民,付紅姣,劉玉杰,李華.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2019(05)
[2]自適應(yīng)上下文感知相關(guān)濾波跟蹤[J]. 劉波,許廷發(fā),李相民,史國凱,黃博.  中國光學(xué). 2019(02)
[3]基于條件隨機場的深度相關(guān)濾波目標(biāo)跟蹤算法[J]. 黃樹成,張瑜,張?zhí)熘?徐常勝,王直.  軟件學(xué)報. 2019(04)
[4]一種用于單目標(biāo)跟蹤的錨框掩碼孿生RPN模型[J]. 李明杰,馮有前,尹忠海,周誠,董方昊.  計算機工程. 2019(09)
[5]人機交互與人工智能:從交替浮沉到協(xié)同共進[J]. 范向民,范俊君,田豐,戴國忠.  中國科學(xué):信息科學(xué). 2019(03)
[6]改進的SSD航拍目標(biāo)檢測方法[J]. 裴偉,許晏銘,朱永英,王鵬乾,魯明羽,李飛.  軟件學(xué)報. 2019(03)
[7]自適應(yīng)特征選擇的相關(guān)濾波跟蹤算法[J]. 劉萬軍,孫虎,姜文濤.  光學(xué)學(xué)報. 2019(06)
[8]基于空間可靠性約束的魯棒視覺跟蹤算法[J]. 蒲磊,馮新喜,侯志強,余旺盛.  電子與信息學(xué)報. 2019(07)
[9]基于雙重注意力孿生網(wǎng)絡(luò)的實時視覺跟蹤[J]. 楊康,宋慧慧,張開華.  計算機應(yīng)用. 2019(06)
[10]基于稀疏表示的視頻目標(biāo)跟蹤研究綜述[J]. 黃宏圖,畢篤彥,侯志強,胡長城,高山,查宇飛,庫濤.  自動化學(xué)報. 2018(10)



本文編號：3037835