【摘要】：視覺(jué)目標(biāo)跟蹤作為人類最基本的視覺(jué)能力之一,以其重要的理論價(jià)值、廣泛的實(shí)用價(jià)值以及多學(xué)科的交叉性,成為學(xué)術(shù)界、工業(yè)界的關(guān)注焦點(diǎn),并在智能視頻監(jiān)控、人機(jī)交互、輔助駕駛等領(lǐng)域成功應(yīng)用。盡管如此,如何讓目標(biāo)跟蹤算法在準(zhǔn)確率、魯棒性和實(shí)時(shí)性等方面提高還是一個(gè)高度開(kāi)放問(wèn)題。特別地,目前已有的目標(biāo)跟蹤算法研究仍存在目標(biāo)表觀建模方法粗糙化、多模態(tài)信息未充分融合、對(duì)樣本噪聲的敏感性、定位精度不足等問(wèn)題。最近提出的基于孿生網(wǎng)絡(luò)的跟蹤器在準(zhǔn)確性和速度之間實(shí)現(xiàn)了良好的平衡,引起了廣泛的關(guān)注。然而由于該模型主要集中在使用離線訓(xùn)練的方式來(lái)構(gòu)建匹配網(wǎng)絡(luò),而沒(méi)有進(jìn)行在線更新,僅僅使用第一幀目標(biāo)特征作為唯一的線索來(lái)進(jìn)行目標(biāo)搜尋,因此對(duì)存在的外觀變化相似物干擾和背景雜波干擾等問(wèn)題抵抗力較差。針對(duì)這些問(wèn)題,本文提出了基于多層孿生特征自適應(yīng)融合的目標(biāo)跟蹤算法(Hi-Tracker)研究和基于自然語(yǔ)言語(yǔ)義分割和表觀建模的多分支孿生網(wǎng)絡(luò)的跟蹤算法(SegA-Siam)研究。(1)Hi-Tracker通過(guò)端到端的訓(xùn)練方式將判別式相關(guān)濾波器集成到孿生匹配網(wǎng)絡(luò)中,以提高每個(gè)特征層的判別能力。然后,對(duì)響應(yīng)圖的峰值與峰噪聲比(PNR)進(jìn)行分析來(lái)決定是否更新模板或?qū)嵤┍尘耙种�。通過(guò)一個(gè)簡(jiǎn)單有效的運(yùn)動(dòng)軌跡預(yù)測(cè)模型來(lái)選取候選區(qū)域的位置。并將快速變換學(xué)習(xí)模型融合到網(wǎng)絡(luò)中,通過(guò)在傅里葉域內(nèi)快速的變換學(xué)習(xí)來(lái)捕獲目標(biāo)外觀變化,和對(duì)候選區(qū)域中嘈雜的背景進(jìn)行抑制,改進(jìn)后的網(wǎng)絡(luò)對(duì)相似物體的干擾具有魯棒性。最后,Hi-Tracker充分利用了不同網(wǎng)絡(luò)層特征的特性,融合了來(lái)自不同層特征匹配得到的響應(yīng)圖作為最終的輸出,以估計(jì)最佳目標(biāo)狀態(tài)。OTB2013~([1])和OTB2015~([2])的實(shí)驗(yàn)結(jié)果表明,Hi-Tracker在最先進(jìn)的跟蹤器中具有競(jìng)爭(zhēng)性能,而且在GPU上以25 FPS的實(shí)時(shí)速度運(yùn)行。(2)SegA-Siam使用語(yǔ)言特征來(lái)對(duì)目標(biāo)位置進(jìn)行粗篩選,再使用視覺(jué)特征對(duì)目標(biāo)進(jìn)行精細(xì)定位,并且使用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)~([3])來(lái)對(duì)目標(biāo)模板進(jìn)行建模,以提高模板特征的判別能力。該網(wǎng)絡(luò)包含了兩個(gè)分支,基于自然語(yǔ)言的語(yǔ)義分割分支和基于LSTM表觀建模分支,兩個(gè)分支都是孿生網(wǎng)絡(luò)的形式。語(yǔ)義分割分支的結(jié)構(gòu)與SiamFC~([4])相似。該分支先通過(guò)基于自然語(yǔ)言的目標(biāo)分割網(wǎng)絡(luò)對(duì)候選區(qū)域進(jìn)行處理得到一張對(duì)前景和背景進(jìn)行分類的掩膜,將掩膜與候選區(qū)域相乘來(lái)實(shí)現(xiàn)背景抑制的功能。在目標(biāo)表觀建模分支,使用雙向LSTM對(duì)深度特征進(jìn)行處理,將深度特征的寬度為時(shí)間步依次輸入網(wǎng)絡(luò)可以加強(qiáng)目標(biāo)特征內(nèi)部之間的關(guān)聯(lián)性,以此增強(qiáng)目標(biāo)特征的判別能力。兩個(gè)分支單獨(dú)訓(xùn)練,在測(cè)試的時(shí)候?qū)蓚�(gè)分支輸出的響應(yīng)圖使用一定的權(quán)重進(jìn)行融合作為最終的響應(yīng)圖來(lái)確定目標(biāo)的位置。通過(guò)觀察發(fā)現(xiàn),響應(yīng)圖中的峰值主要集中在目標(biāo)附近,峰值最高的位置未必是目標(biāo)的位置。因此選取了多個(gè)峰值,結(jié)合峰值和每個(gè)峰值對(duì)應(yīng)的目標(biāo)框與上一幀目標(biāo)框的重合率聯(lián)合確定最終的目標(biāo)框。
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊凱杰;田暢;關(guān)文君;;快速目標(biāo)跟蹤算法及其嵌入式實(shí)現(xiàn)[J];軍事通信技術(shù);2016年04期

2 陳偉;祝恩;劉天航;殷建平;邱明輝;;目標(biāo)跟蹤算法的并行優(yōu)化[J];計(jì)算機(jī)工程與科學(xué);2016年11期

3 張濤;李繼生;董恩國(guó);;基于人臉識(shí)別的移動(dòng)目標(biāo)跟蹤算法研究[J];現(xiàn)代制造技術(shù)與裝備;2017年02期

4 李賀;;基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究綜述[J];黑龍江科技信息;2017年17期

5 吳小俊;徐天陽(yáng);須文波;;基于相關(guān)濾波的視頻目標(biāo)跟蹤算法綜述[J];指揮信息系統(tǒng)與技術(shù);2017年03期

6 王立新,戴冠中;一種分散化多站聯(lián)合目標(biāo)跟蹤算法[J];航空學(xué)報(bào);1988年03期

7 V.納加拉簡(jiǎn);R.N.沙馬;肖萬(wàn)選;;改善邊跟蹤邊搜索雷達(dá)的檢測(cè)和跟蹤性能的新方法(第二部分)——檢測(cè)、航跡的產(chǎn)生與組合[J];雷達(dá)與對(duì)抗;1988年05期

8 孟t-;李誠(chéng)新;;近年目標(biāo)跟蹤算法短評(píng)——相關(guān)濾波與深度學(xué)習(xí)[J];中國(guó)圖象圖形學(xué)報(bào);2019年07期

9 竇慧;趙書(shū)斌;王強(qiáng);;基于特征點(diǎn)的典型目標(biāo)跟蹤算法性能分析[J];指揮控制與仿真;2017年02期

10 王麗娜;;基于卡爾曼濾波的單模型目標(biāo)跟蹤算法的仿真研究[J];中國(guó)新通信;2016年10期

相關(guān)會(huì)議論文 前10條

1 徐炳吉;;一種多站聯(lián)合目標(biāo)跟蹤算法[A];數(shù)學(xué)及其應(yīng)用文集——中南模糊數(shù)學(xué)和系統(tǒng)分會(huì)第三屆年會(huì)論文集（上卷）[C];1995年

2 肖敬若;胡伏原;鄭江濱;張艷寧;;一種有效的多目標(biāo)跟蹤算法[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

3 杜方芳;劉士榮;邱雪娜;;一種改進(jìn)的粒子濾波目標(biāo)跟蹤算法[A];PCC2009—第20屆中國(guó)過(guò)程控制會(huì)議論文集[C];2009年

4 付曉薇;方康玲;李曦;;一種基于特征的多目標(biāo)跟蹤算法[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

5 王亞楠;陳杰;甘明剛;;基于差分進(jìn)化的改進(jìn)粒子濾波目標(biāo)跟蹤算法[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

6 許偉村;趙清杰;;一種基于粒子濾波的多目標(biāo)跟蹤算法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

7 石章松;劉忠;;一種使用輔助變量的單站純方位目標(biāo)跟蹤算法[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

8 段萌遠(yuǎn);于俊清;王錦;;基于活動(dòng)狀態(tài)分類的多目標(biāo)跟蹤算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國(guó)多媒體學(xué)術(shù)會(huì)議(NCMT'06)論文集[C];2006年

9 張震宇;王立松;;基于粒子濾波的傳感器目標(biāo)跟蹤算法[A];2008年中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集（上冊(cè)）[C];2009年

10 郭春;羅鵬飛;;一種基于小波變換的目標(biāo)跟蹤算法研究[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

相關(guān)博士學(xué)位論文 前10條

1 李康;圖像序列中魯棒的視覺(jué)目標(biāo)跟蹤算法研究[D];武漢大學(xué);2016年

2 曾憲佑;復(fù)雜場(chǎng)景下魯棒的目標(biāo)跟蹤算法研究[D];北京交通大學(xué);2019年

3 楊森泉;基于稀疏分析的魯棒目標(biāo)跟蹤研究[D];廣東工業(yè)大學(xué);2019年

4 胡秀華;復(fù)雜場(chǎng)景中目標(biāo)跟蹤算法研究[D];西北工業(yè)大學(xué);2017年

5 王全輝;篩選式知識(shí)輔助多模型機(jī)動(dòng)目標(biāo)跟蹤算法[D];深圳大學(xué);2018年

6 產(chǎn)思賢;基于視覺(jué)系統(tǒng)的智能目標(biāo)跟蹤算法研究[D];浙江工業(yè)大學(xué);2018年

7 胡琪;基于隨機(jī)矩陣的擴(kuò)展目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2018年

8 張鐸;基于水下無(wú)線傳感器網(wǎng)絡(luò)的自組織目標(biāo)跟蹤算法研究[D];浙江大學(xué);2019年

9 郭巳秋;基于TLD的粒子群目標(biāo)跟蹤理論與應(yīng)用技術(shù)研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2019年

10 儲(chǔ)琪;基于深度學(xué)習(xí)的視頻多目標(biāo)跟蹤算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 楊一豐;基于CNN的目標(biāo)跟蹤算法研究[D];電子科技大學(xué);2019年

2 陳小旋;視頻目標(biāo)跟蹤算法魯棒性研究[D];廣州大學(xué);2019年

3 張亞琴;視頻序列中的單目標(biāo)跟蹤算法研究[D];新疆大學(xué);2019年

4 盧耀坤;復(fù)雜場(chǎng)景運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D];電子科技大學(xué);2019年

5 鄭輝;復(fù)雜條件下實(shí)時(shí)目標(biāo)跟蹤算法設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2019年

6 李軍;基于視覺(jué)注意機(jī)制的目標(biāo)跟蹤算法研究[D];華北理工大學(xué);2019年

7 王碩豪;基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究[D];江西理工大學(xué);2019年

8 湯玉;多特征隨機(jī)集濾波視頻目標(biāo)跟蹤算法研究[D];江南大學(xué);2019年

9 胡雯;無(wú)人機(jī)視角地面目標(biāo)檢測(cè)與跟蹤[D];電子科技大學(xué);2019年

10 李倩;基于相關(guān)濾波的目標(biāo)跟蹤算法研究[D];吉林大學(xué);2019年

，

本文編號(hào)：2603348