單目標(biāo)跟蹤是計算機視覺領(lǐng)域的一個重要分支,在智能視頻監(jiān)控、人機交互、視覺導(dǎo)航、虛擬現(xiàn)實領(lǐng)域都有廣泛的應(yīng)用。單目標(biāo)跟蹤通常面臨著尺度變化、形狀改變、背景干擾、光照變化、運動模糊等挑戰(zhàn)。近幾年,隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,基于深度學(xué)習(xí)的方法在單目標(biāo)跟蹤領(lǐng)域取得了不錯的成績,促進了單目標(biāo)跟蹤技術(shù)在各行各業(yè)的落地與應(yīng)用。因此,基于深度學(xué)習(xí)的單目標(biāo)跟蹤技術(shù)具有很重要的研究價值。本文通過對MDNet（Multi-Domain Convolutional Neural Networks）網(wǎng)絡(luò)的研究和分析,并結(jié)合其在單目標(biāo)跟蹤過程中的特點與不足對其進行了改進,設(shè)計并實現(xiàn)了新的單目標(biāo)跟蹤算法ASTT-M（A Single Target Tracking Algorithm Based on MDNet）。該算法實現(xiàn)了跟蹤過程中目標(biāo)的異常檢測和目標(biāo)的多尺度變化,提出了一種基于嶺回歸求解的雙模型回歸策略和基于搜索區(qū)域裁剪的相似性干擾規(guī)避策略,同時設(shè)計了一種新的基于聚類的樣本更新方法,并且基于前面的改進重新定義了跟蹤控制策略。在目標(biāo)異常檢測方面,本文通過對候選框分值的檢測,可以在跟蹤過程中及時檢測到目標(biāo)因為形... 

【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)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

損失函數(shù)值與樣本特征空間歐氏距離關(guān)系圖

3.1 MDNet 網(wǎng)絡(luò)介紹網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方式MDNe（tMulti-DomainConvolutionalNeuralNetworks）網(wǎng)絡(luò)是 Korea 的 POSTECH團隊提出的一種目標(biāo)跟蹤算法[15]，網(wǎng)絡(luò)結(jié)構(gòu)如圖 3.1 所示。主要由三個卷積層（conv1-3）和兩個全連接層（fc4-5）構(gòu)成，最后一層全連接層 6Kfc 表示網(wǎng)絡(luò)對 K 個域（K 個視頻序列）對應(yīng)的全連接層共具有 K 個分支，每個視頻序列對應(yīng)一個分支，其中前面五層稱之為共享層。在訓(xùn)練和測試時每個視頻序列都是一個單獨的域，并且有特定的分支，該分支負責(zé)一個二分類任務(wù)去識別當(dāng)前域中每一幀的目標(biāo)和背景。MDNet 網(wǎng)絡(luò)通過多域的訓(xùn)練方式使用大量跟蹤視頻中的groundtruth 來對共享層進行了預(yù)訓(xùn)練。在訓(xùn)練過程中，每一個視頻作為一個單獨的域，會生成一個全新的分支 來負責(zé)當(dāng)前視頻序列的訓(xùn)練。在每個域的迭代過程中都對共享層進行更新，從而使網(wǎng)絡(luò)具有了對目標(biāo)進行通用特征表示的能力。

合在目標(biāo)跟蹤過程中對top5均分值進行局部離群點檢測的方法LOF-OT（LocalOutlierFactor in Object Tracking）。圖3.3 異常檢測數(shù)據(jù)分布圖LOF 是一種基于距離的異常檢測方法，通過點與點之間距離的計算最終求得每

【參考文獻】：
期刊論文
[1]自然場景中文本檢測技術(shù)研究綜述[J]. 戴津.  計算機光盤軟件與應(yīng)用. 2013(18)
[2]嶺回歸分析的SAS程序設(shè)計[J]. 田俊.  數(shù)理統(tǒng)計與管理. 1999(03)

碩士論文
[1]嶺回歸與分位數(shù)回歸的研究及結(jié)合應(yīng)用[D]. 郭鵬妮.哈爾濱工業(yè)大學(xué) 2014



本文編號：3619352