目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的重要研究方向。因?yàn)槟繕?biāo)跟蹤技術(shù)在多個(gè)領(lǐng)域都具有舉要重要應(yīng)用價(jià)值,所以目標(biāo)跟蹤是目前計(jì)算機(jī)視覺研究的熱點(diǎn)。本文通過近幾年的目標(biāo)跟蹤方法進(jìn)行分析研究,得出兩個(gè)重點(diǎn)研究思路:第一、新的目標(biāo)跟蹤算法普遍將研究重點(diǎn)應(yīng)該放在如何通過卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)的魯棒性特征上,重點(diǎn)在于加強(qiáng)網(wǎng)絡(luò)每層特征映射的利用。第二、新的目標(biāo)跟蹤算法可以將研究的目光放在在后續(xù)特征處理和目標(biāo)位置選取上,重點(diǎn)在于提升對(duì)網(wǎng)絡(luò)輸出特征的利用。本文以多層卷積網(wǎng)絡(luò)作為跟蹤的特征提取器,以Siamese網(wǎng)絡(luò)作為跟蹤器的基礎(chǔ)網(wǎng)絡(luò)框架,提出了將高頻特征和低頻特征相互融合的目標(biāo)跟蹤方法。針對(duì)現(xiàn)在的多層卷積網(wǎng)絡(luò)結(jié)構(gòu),使用殘差網(wǎng)絡(luò)塊作為組成特征提取網(wǎng)絡(luò)的基本結(jié)構(gòu),然后將目標(biāo)特征和搜索區(qū)域特征的輸入分為高頻特征和低頻特征在不同通道中分別進(jìn)行處理,并且每層高低頻特征輸出結(jié)果進(jìn)行信息交換。最終得到的目標(biāo)特征信息更為豐富,獲得了較好的跟蹤性能。本文還提出了網(wǎng)格特征點(diǎn)融合的目標(biāo)跟蹤方法。以Siam RPN為基礎(chǔ),對(duì)特征提取后的網(wǎng)絡(luò)部分進(jìn)行修改。針對(duì)Siam RPN的偏移回歸分支,通過引入網(wǎng)格點(diǎn)特征融合的方法,通過全卷積定位來優(yōu)化回... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：65 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

原Siamese網(wǎng)絡(luò)結(jié)構(gòu)圖

重慶郵電大學(xué)碩士學(xué)位論文第3章高低空間頻率特征提取的跟蹤方法21(b)SiamRPN+方法圖3.2結(jié)合高低頻特征的SiamFC和SiamRPN的改進(jìn)方法3.2.3結(jié)合高頻特征和低頻特征的特征提取網(wǎng)絡(luò)對(duì)于普通的卷積，輸出和輸入的特征具有相同的空間分辨率。Campbell等認(rèn)為，一副自然圖像可以分解出高頻信號(hào)圖像和低頻信號(hào)圖像[42]。高頻信號(hào)更多地描繪圖像的細(xì)節(jié)信息，而低頻信號(hào)傾向于表示全局的粗略結(jié)構(gòu)。在目標(biāo)跟蹤中，為了獲取低頻的特征信息，可以通過額外添加一個(gè)下采樣的方式，將特征輸出縮小，然后將其輸出和未做下采樣的特征經(jīng)過同樣的卷積核操作。在進(jìn)行相同次數(shù)的卷積核卷積計(jì)算后，其輸出后的每個(gè)點(diǎn)和未做下采樣的特征相比，更加粗略，單個(gè)點(diǎn)對(duì)應(yīng)的原圖像上圖像塊的大小更大。這樣，低頻的特征和比其高頻的特征具有更大的接受域，對(duì)視頻圖像的總體外觀能力比正常的卷積輸出特征強(qiáng)。

重慶郵電大學(xué)碩士學(xué)位論文第3章高低空間頻率特征提取的跟蹤方法23通過上面的方式，3的卷積部分的接受域是普通卷積的2倍。這進(jìn)一步幫助每個(gè)卷積層從更遠(yuǎn)的位置獲取更多的上下文信息，提高網(wǎng)絡(luò)特征的性能。3.2.4特征網(wǎng)絡(luò)改進(jìn)細(xì)節(jié)本章方法的主干網(wǎng)絡(luò)選擇的是ResNet網(wǎng)絡(luò)作為原特征提取器來取代AlexNet。根據(jù)ResNet的特點(diǎn)，其網(wǎng)絡(luò)結(jié)構(gòu)主要為多個(gè)相同結(jié)構(gòu)的殘差塊疊加構(gòu)成，單個(gè)殘差塊如圖3.3所示。圖3.3基礎(chǔ)ResNet的殘差塊結(jié)構(gòu)圖3.3中，conv1x1和conv3x3表示卷積核長寬為1和3，s1表示卷積核計(jì)算時(shí)位移步長為1，表示卷積特征的通道數(shù)。依照高低頻卷積的思路，將backbone結(jié)構(gòu)進(jìn)行優(yōu)化。依據(jù)功能的不同，修改的殘差塊分為三個(gè)主要的部分，并將其命名為：HL_block,In_block和Out_block。1.HL_block結(jié)構(gòu)此模塊是用于作為主要的高低頻特征提取網(wǎng)絡(luò)的結(jié)構(gòu)。根據(jù)式(3.6)，可以得到改進(jìn)后的backbone的主要結(jié)構(gòu)。HL_block有兩個(gè)輸入：一個(gè)是高頻特征輸入2，另一個(gè)是低頻特征輸入3。通過卷積計(jì)算，HL_block得到兩個(gè)特征輸出，一個(gè)為高


本文編號(hào)：3621229