發(fā)布時間：2018-04-20 17:31

  本文選題：目標(biāo)跟蹤 + 粒子濾波��； 參考：《西安理工大學(xué)》2017年碩士論文

【摘要】：視頻目標(biāo)跟蹤是計算機視覺領(lǐng)域一個重要研究課題,在智能交通系統(tǒng)中具有廣泛應(yīng)用,其中,室外車輛跟蹤是一個重要內(nèi)容。但受復(fù)雜多變的室外環(huán)境的影響,如光照變化、遮擋、雜亂背景等,室外車輛跟蹤面臨嚴(yán)峻的挑戰(zhàn)。因此,本文在粒子濾波框架下,提出了三種基于深度自編碼器的室外車輛跟蹤算法,并將卷積神經(jīng)網(wǎng)絡(luò)用于室外車輛跟蹤中。(1)基于k稀疏深度降噪自編碼器的目標(biāo)跟蹤。該算法通過k稀疏深度降噪自編碼器學(xué)習(xí)能夠有效區(qū)分目標(biāo)和背景的目標(biāo)特征。整個算法由離線訓(xùn)練、分類神經(jīng)網(wǎng)絡(luò)構(gòu)建和在線跟蹤三部分組成。首先借助訓(xùn)練樣本離線學(xué)習(xí)目標(biāo)的通用特征表示;然后根據(jù)學(xué)習(xí)到的知識構(gòu)建分類神經(jīng)網(wǎng)絡(luò),并引入k稀疏限制以增強其不變性特征提取能力;最后將分類神經(jīng)網(wǎng)絡(luò)輸出置信度用于在線跟蹤。(2)基于多深度自編碼器融合的目標(biāo)跟蹤。該算法針對算法(1)中灰度特征易受光照變化影響的情況,提出將多特征訓(xùn)練的多深度自編碼器融合用于目標(biāo)跟蹤。整個算法由通用特征表示、分類神經(jīng)網(wǎng)絡(luò)融合和在線跟蹤三部分組成,即首先隨機選取Tiny Images dataset中30萬張圖片的灰度特征和梯度特征分別無監(jiān)督離線訓(xùn)練兩個深度自編碼器,然后根據(jù)訓(xùn)練結(jié)果構(gòu)建并線性加權(quán)融兩個分類神經(jīng)網(wǎng)絡(luò),最后將融合結(jié)果用于在線跟蹤。(3)基于多深度自編碼器自適應(yīng)融合的目標(biāo)跟蹤。該算法針對算法(2)固定權(quán)值融合多模型中一個模型發(fā)生劇烈變化導(dǎo)致融合結(jié)果不可靠的問題,提出一種自適應(yīng)融合策略。其中,自適應(yīng)融合權(quán)值根據(jù)不同模型所表征粒子集的分布情況自動確定。(4)基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤。該算法由離線訓(xùn)練和在線跟蹤兩部分組成。首先利用CIFAR-10的6萬張圖片有監(jiān)督離線訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),然后利用遷徙學(xué)習(xí)的方式將訓(xùn)練結(jié)果用于在線跟蹤。以上四種算法在跟蹤第一幀和跟蹤過程中置信度不滿足設(shè)定閾值要求時都需要重新微調(diào)分類神經(jīng)網(wǎng)絡(luò)以適應(yīng)跟蹤目標(biāo)變化。本文設(shè)計4個實驗評估以上4種算法。實驗(1)和實驗(2)采用定量和定性方式評估算法性能。定量評估通過VTB數(shù)據(jù)集中50個完全標(biāo)注視頻序列的整體性能和11種基于屬性性能的精確度和成功率實現(xiàn);定性評估分別通過4個和12個挑戰(zhàn)性室外車輛序列實現(xiàn)。實驗(1)結(jié)果表明,與3種主流跟蹤算法(DLT、MTT和CSK)相比,本文提出的基于k稀疏深度降噪自編碼器的目標(biāo)跟蹤算法在室外多種挑戰(zhàn)性環(huán)境因素(如光照變化、遮擋、雜亂背景、尺度變化、快速運動)下都具有較高跟蹤精度。實驗(2)結(jié)果表明,與7種主流跟蹤算法(DLT、IVT、L1APG、MIL、OAB、MTT和CSK)相比,本文提出的基于多深度自編碼器融合的目標(biāo)跟蹤算法能夠?qū)崿F(xiàn)復(fù)雜場景下室外車輛魯棒跟蹤。實驗(3)將算法(2)和算法(3)在6個挑戰(zhàn)性室外車輛序列上進(jìn)行中心位置誤差和重疊率對比,結(jié)果表明,基于多深度自編碼器自適應(yīng)融合的目標(biāo)跟蹤算法能夠更好處理復(fù)雜環(huán)境下室外車輛跟蹤問題。實驗(4)將算法(4)在3個挑戰(zhàn)性室外車輛序列上對進(jìn)行性能評估,結(jié)果表明,基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法在某些挑戰(zhàn)情況下沒有準(zhǔn)確跟蹤目標(biāo),文中對其原因進(jìn)行了深入分析。
[Abstract]:This paper presents three kinds of target tracking algorithms based on multi - depth self - coder based on multi - depth self - coder . The results show that the target tracking algorithm based on multi - depth self - coder fusion can better deal with the tracking problem of outdoor vehicles in complex environments . The results show that the target tracking algorithm based on multi - depth self - coder fusion can better deal with the tracking problem of outdoor vehicles in complex environments .

【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 尹宏鵬;陳波;柴毅;劉兆棟;;基于視覺的目標(biāo)檢測與跟蹤綜述[J];自動化學(xué)報;2016年10期

2 管皓;薛向陽;安志勇;;深度學(xué)習(xí)在視頻目標(biāo)跟蹤中的應(yīng)用進(jìn)展與展望[J];自動化學(xué)報;2016年06期

3 劉文舉;聶帥;梁山;張學(xué)良;;基于深度學(xué)習(xí)語音分離技術(shù)的研究現(xiàn)狀與進(jìn)展[J];自動化學(xué)報;2016年06期

4 程帥;孫俊喜;曹永剛;劉廣文;韓廣良;;多示例深度學(xué)習(xí)目標(biāo)跟蹤[J];電子與信息學(xué)報;2015年12期

5 程帥;曹永剛;孫俊喜;趙立榮;劉廣文;韓廣良;;基于增強群跟蹤器和深度學(xué)習(xí)的目標(biāo)跟蹤[J];電子與信息學(xué)報;2015年07期

6 程帥;孫俊喜;曹永剛;趙立榮;;增量深度學(xué)習(xí)目標(biāo)跟蹤[J];光學(xué)精密工程;2015年04期

7 余凱;賈磊;陳雨強;徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

，

本文編號：1778728