單目標(biāo)視覺跟蹤是視覺跟蹤領(lǐng)域中最基礎(chǔ)的問題。它旨在根據(jù)給定目標(biāo)的初始位置和初始信息,在隨后的視頻序列中估計(jì)目標(biāo)的位置和尺度變化,以便完成更高級的任務(wù)。視覺跟蹤任務(wù)的難點(diǎn)首先在于可獲得的關(guān)于給定目標(biāo)的訓(xùn)練數(shù)據(jù)非常有限。其次,跟蹤模型面臨現(xiàn)實(shí)應(yīng)用場景中存在的遮擋、形變和尺度變化等諸多挑戰(zhàn)。最后,視覺跟蹤任務(wù)對處理速度的要求進(jìn)一步提升了算法設(shè)計(jì)的難度�；谙嚓P(guān)濾波的跟蹤算法根據(jù)樣本近似循環(huán)的特點(diǎn),利用循環(huán)矩陣可轉(zhuǎn)化為頻域?qū)蔷仃嚨男再|(zhì)和快速傅里葉變換,高效實(shí)現(xiàn)判別器訓(xùn)練和目標(biāo)跟蹤,受到了廣泛的關(guān)注和快速發(fā)展。但是相關(guān)濾波跟蹤算法存在邊界效應(yīng)問題,模型判別能力也比較低。本文針對這些問題,通過引入卷積回歸網(wǎng)絡(luò)求解相關(guān)濾波中的脊回歸模型,避免了邊界效應(yīng)的發(fā)生,并針對此方法存在的訓(xùn)練樣本不平衡和使用分類網(wǎng)絡(luò)提取特征容易受到背景中相似物體干擾的問題,提出了兩種基于注意力機(jī)制的卷積回歸網(wǎng)絡(luò)算法。在標(biāo)準(zhǔn)的視覺跟蹤數(shù)據(jù)集上進(jìn)行評價(jià),本文提出的算法均表現(xiàn)出了優(yōu)良的跟蹤性能,可以為復(fù)雜場景下的視覺跟蹤提供較好的理論和技術(shù)支持。主要工作如下:（1）提出了一種基于空間正則化矩陣的核相關(guān)濾波跟蹤算法。通過引入空間正則... 

【文章來源】：西安電子科技大學(xué)陜西省211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
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景與意義
    1.2 單目標(biāo)視覺跟蹤研究的難點(diǎn)
    1.3 研究現(xiàn)狀
        1.3.1 基于相關(guān)濾波方法的跟蹤算法
        1.3.2 基于機(jī)器學(xué)習(xí)方法的跟蹤算法
        1.3.3 基于深度學(xué)習(xí)的跟蹤算法
        1.3.4 視覺跟蹤數(shù)據(jù)集
    1.4 研究內(nèi)容
    1.5 論文組織結(jié)構(gòu)
第二章 基于空間正則化矩陣的核相關(guān)濾波跟蹤算法
    2.1 引言
    2.2 循環(huán)矩陣
    2.3 基于核相關(guān)濾波的跟蹤算法
    2.4 空間正則化的核相關(guān)濾波算法
    2.5 多維特征和多尺度估計(jì)
    2.6 實(shí)驗(yàn)結(jié)果與分析
        2.6.1 實(shí)驗(yàn)環(huán)境配置
        2.6.2 SRKCF和基于相關(guān)濾波的跟蹤算法性能比較
        2.6.3 SRKCF與其它跟蹤算法性能比較
    2.7 本章小結(jié)
第三章 基于帶權(quán)重循環(huán)樣本的最大間隔跟蹤算法
    3.1 引言
    3.2 算法模型
    3.3 模型閉式解
    3.4 快速在線跟蹤
    3.5 模型更新策略
    3.6 實(shí)驗(yàn)結(jié)果與分析
        3.6.1 實(shí)驗(yàn)環(huán)境配置
        3.6.2 不同核函數(shù)的比較分析
        3.6.3 MMWCF的性能分析
        3.6.4 MMWCF與相關(guān)算法性能比較
        3.6.5 MMWCF與其它算法性能比較
    3.7 本章小結(jié)
第四章 基于殘差注意力機(jī)制的在線卷積跟蹤網(wǎng)絡(luò)
    4.1 引言
    4.2 卷積回歸網(wǎng)絡(luò)
    4.3 殘差注意力學(xué)習(xí)
    4.4 殘差注意力分支
    4.5 使用殘差注意力卷積網(wǎng)絡(luò)進(jìn)行跟蹤
    4.6 實(shí)驗(yàn)結(jié)果與分析
        4.6.1 實(shí)驗(yàn)環(huán)境配置
        4.6.2 算法設(shè)計(jì)驗(yàn)證
        4.6.3 定量評價(jià)
        4.6.4 主觀評價(jià)
    4.7 本章小結(jié)
第五章 基于雙殘差注意力學(xué)習(xí)的在線視覺目標(biāo)跟蹤算法
    5.1 引言
    5.2 特征感知?dú)埐钭⒁饬W(xué)習(xí)
    5.3 單卷積層跟蹤網(wǎng)絡(luò)
    5.4 背景感知?dú)埐钭⒁饬W(xué)習(xí)
    5.5 基于雙殘差注意力學(xué)習(xí)的跟蹤算法
    5.6 實(shí)驗(yàn)結(jié)果與分析
        5.6.1 實(shí)驗(yàn)環(huán)境配置
        5.6.2 算法設(shè)計(jì)驗(yàn)證
        5.6.3 OTB數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果
        5.6.4 VOT數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果
        5.6.5 OTB中不同屬性視頻的性能比較
        5.6.6 主觀評價(jià)
    5.7 本章小結(jié)
第六章 全文總結(jié)及工作展望
    6.1 全文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
致謝
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]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)
[2]相關(guān)濾波目標(biāo)跟蹤進(jìn)展綜述[J]. 張微,康寶生.  中國圖象圖形學(xué)報(bào). 2017(08)
[3]紅外探測陣列對固體導(dǎo)彈尾焰跟蹤定位的研究[J]. 趙久奮,王明海.  固體火箭技術(shù). 2000(04)

博士論文
[1]目標(biāo)跟蹤算法與檢測處理技術(shù)研究[D]. 盧莉萍.南京理工大學(xué) 2012
[2]面向智能視頻監(jiān)控的運(yùn)動(dòng)目標(biāo)檢測與跟蹤方法研究[D]. 焦波.國防科學(xué)技術(shù)大學(xué) 2009

碩士論文
[1]面向智能監(jiān)控的視頻分析技術(shù)研究[D]. 張英.國防科學(xué)技術(shù)大學(xué) 2014



本文編號：3634548