【摘要】：隨著計(jì)算機(jī)視覺(jué)和科學(xué)技術(shù)的不斷發(fā)展,視頻目標(biāo)跟蹤技術(shù)已經(jīng)得到了廣泛的普及并且應(yīng)用到了人們生活的每一個(gè)角落。國(guó)防監(jiān)控,社會(huì)安全、智慧城市和輔助醫(yī)療等領(lǐng)域都離不開(kāi)目標(biāo)跟蹤技術(shù)。近些年來(lái),深度學(xué)習(xí)的成功以及計(jì)算機(jī)性能的大幅提升,讓深度學(xué)習(xí)方法廣泛應(yīng)用到了視頻目標(biāo)跟蹤任務(wù)中,并在一系列數(shù)據(jù)集上取得了優(yōu)于傳統(tǒng)方法的成績(jī)。因此,基于深度學(xué)習(xí)的目標(biāo)跟蹤技術(shù)獲得了國(guó)內(nèi)外學(xué)者的高度關(guān)注。盡管視頻目標(biāo)跟蹤技術(shù)取得了可喜的成績(jī),但是在視頻目標(biāo)跟蹤過(guò)程中,由于視頻場(chǎng)景里存在各種干擾,如:目標(biāo)快速移動(dòng)、攝像機(jī)抖動(dòng)、光照變化、目標(biāo)遮擋等等。這些干擾項(xiàng)都會(huì)使跟蹤器精度、穩(wěn)定性、成功率下降。雖然有些跟蹤器在有限類(lèi)甚至一類(lèi)的跟蹤任務(wù)上有很高的精度和成功率,如:車(chē)輛跟蹤、行人跟蹤、導(dǎo)彈跟蹤等。但這些跟蹤器普遍泛化能力不強(qiáng),難以適用于通用目標(biāo)跟蹤任務(wù),通用目標(biāo)跟蹤的算法仍然有很大的提升空間。很多基于深度學(xué)習(xí)的跟蹤器只考慮了目標(biāo)的卷積特征,卷積特征的可解釋性不強(qiáng)且針對(duì)性不足,若能加入其它有效的跟蹤特征能更出色的完成跟蹤任務(wù)。本文以卷積神經(jīng)網(wǎng)絡(luò)特征為基礎(chǔ)研究通用目標(biāo)跟蹤問(wèn)題,跟蹤過(guò)程中通過(guò)定向擾動(dòng)算法和多特征算法進(jìn)行修正,從而達(dá)到提升跟蹤器精度、穩(wěn)定性、成功率的目的。主要研究工作如下:(1)在大多數(shù)傳統(tǒng)基于深度學(xué)習(xí)的跟蹤器工作中,默認(rèn)下一幀圖片的候選位置是以上一幀結(jié)果位置為中心的高斯分布。然而在實(shí)際應(yīng)用的情況下,一旦目標(biāo)發(fā)生快速移動(dòng)、攝像機(jī)偏移、目標(biāo)丟失等情況,跟蹤器則會(huì)在距離目標(biāo)真實(shí)位置相對(duì)較遠(yuǎn)的區(qū)域產(chǎn)生候選位置,這嚴(yán)重影響了跟蹤器的精度、穩(wěn)定性和成功率。針對(duì)這種不足,本文充分利用了卷積神經(jīng)網(wǎng)絡(luò)可以定位的特點(diǎn),改變粒子濾波器的擾動(dòng)中心,進(jìn)行定向擾動(dòng)采樣,使得候選樣本更加接近真實(shí)位置,加速目標(biāo)找回,防止目標(biāo)丟失,進(jìn)而提升跟蹤器的精度、成功率和魯棒性。(2)因?yàn)楦櫰鲗?duì)初始化圖片非常敏感,在同一個(gè)視頻圖像序列中,給予不同的初始化圖片會(huì)對(duì)追蹤器性能有很大影響。為了解決以上問(wèn)題,本文在提取卷積神經(jīng)網(wǎng)絡(luò)特征的基礎(chǔ)上,分別提取不同時(shí)段跟蹤目標(biāo)和候選圖的HOG特征和顏色直方圖,通過(guò)計(jì)算相似度找到最優(yōu)解。在加入HOG特征和顏色直方圖特征后,跟蹤器可以適應(yīng)更多的復(fù)雜場(chǎng)景,提升了跟蹤器的魯棒性。本文在通用類(lèi)基準(zhǔn)數(shù)據(jù)庫(kù)obt-13上驗(yàn)證了所提算法的有效性并與一些主流跟蹤器進(jìn)行了對(duì)比。本文方法亦可擴(kuò)展至別的跟蹤器中。
【圖文】：

圖 1.1 中國(guó)彩虹 4 無(wú)人機(jī)導(dǎo)彈瞄準(zhǔn)頻監(jiān)控：在現(xiàn)代社會(huì)中，隨處可見(jiàn)的攝像頭監(jiān)控設(shè)備正在實(shí)活安全秩序。如圖 1.2，交通路口監(jiān)控行人和車(chē)輛的運(yùn)行。場(chǎng)、車(chē)站等公共場(chǎng)所，將指定對(duì)象的目標(biāo)跟蹤與行為分析進(jìn)否有可疑行為。中科院也分別研發(fā)了監(jiān)控視頻內(nèi)容的分析系r（Visual Surveillance Star）[12]和人臉識(shí)別監(jiān)控系統(tǒng)中科奧

圖 1.1 中國(guó)彩虹 4 無(wú)人機(jī)導(dǎo)彈瞄準(zhǔn)2）視頻監(jiān)控：在現(xiàn)代社會(huì)中，隨處可見(jiàn)的攝像頭監(jiān)控設(shè)備正在實(shí)時(shí)的生活安全秩序。如圖 1.2，交通路口監(jiān)控行人和車(chē)輛的運(yùn)行。文在商場(chǎng)、車(chē)站等公共場(chǎng)所，將指定對(duì)象的目標(biāo)跟蹤與行為分析進(jìn)行象是否有可疑行為。中科院也分別研發(fā)了監(jiān)控視頻內(nèi)容的分析系統(tǒng)S-Star（Visual Surveillance Star）[12]和人臉識(shí)別監(jiān)控系統(tǒng)中科奧森[13]。
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類(lèi)模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

8 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

9 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計(jì)算機(jī)科學(xué);2019年09期

10 劉高宇;;深度神經(jīng)網(wǎng)絡(luò)在煤質(zhì)數(shù)據(jù)分析與預(yù)測(cè)中的應(yīng)用[J];電腦知識(shí)與技術(shù);2019年28期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U，

本文編號(hào)：2614304