首先,本文提出一種新的基于相關(guān)濾波以及深度孿生網(wǎng)絡(luò)的魯棒長程視頻跟蹤算法。該算法能有效對長視頻中存在的目標(biāo)長時間遮擋、快速運動、消失視野等挑戰(zhàn)進(jìn)行處理。當(dāng)目標(biāo)經(jīng)歷長時間遮擋又重新出現(xiàn)在視頻中時,本文所提算法通過離線訓(xùn)練好的深度孿生網(wǎng)絡(luò),使用模板相似度匹配來進(jìn)行目標(biāo)的重檢測,從而得到高質(zhì)量的目標(biāo)候選區(qū)域。為了篩選得到正確的目標(biāo)區(qū)域,本文提出了一種有效的多專家評估機(jī)制,來篩選得到置信度最高的目標(biāo)區(qū)域。本文所提出的長程視頻跟蹤算法在當(dāng)前幾個主流的跟蹤數(shù)據(jù)集上均取得了較為優(yōu)異的跟蹤結(jié)果。其次,針對基于相關(guān)濾波的深度視頻跟蹤算法所使用的深度特征復(fù)雜度高,針對性不強(qiáng)等問題,本文提出了一種基于深淺層特征學(xué)習(xí)網(wǎng)絡(luò)（Deep and Shallow feature learning Network,簡稱DSNet）的高效視頻跟蹤算法。該特征學(xué)習(xí)網(wǎng)絡(luò)能同時編碼目標(biāo)淺層以及深層信息,以端到端的形式學(xué)習(xí)得到統(tǒng)一分辨率且低維的特征。學(xué)習(xí)得到的特征能有效應(yīng)用在當(dāng)前任意基于相關(guān)濾波的視頻跟蹤框架中,且無需進(jìn)行任何在線的微調(diào)或改變。此外,基于目標(biāo)區(qū)域關(guān)于背景區(qū)域在特征圖上的激活比,本文提出了特征通道置信度評價方法（C... 

【文章來源】：廈門大學(xué)福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：120 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１單目標(biāo)視頻跟蹤任務(wù)示意圖

圖１．２?ＯＴＢ－２０１５數(shù)據(jù)集中存在的目標(biāo)遮擋、消失視野、形變、光照變化、旋轉(zhuǎn)以及運動??模糊等挑戰(zhàn)舉例

圖１．３?ＯＴＢ－２０１５數(shù)據(jù)集中存在的目標(biāo)低分辨率、背景嘈雜、尺度變化以及快速運動等挑??

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)相關(guān)研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯.  計算機(jī)應(yīng)用研究. 2018(07)
[2]深度學(xué)習(xí)應(yīng)用技術(shù)研究[J]. 毛勇華,桂小林,李前,賀興時.  計算機(jī)應(yīng)用研究. 2016(11)
[3]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報. 2015(01)
[4]目標(biāo)跟蹤技術(shù)綜述[J]. 高文,朱明,賀柏根,吳笑天.  中國光學(xué). 2014(03)



本文編號：3349730