【摘要】：目標(biāo)跟蹤無論是從研究方面還是實(shí)際應(yīng)用方面都有很高的價(jià)值,因此目標(biāo)跟蹤成為了計(jì)算機(jī)視覺的重要研究領(lǐng)域之一,同時(shí)在民用和軍事上都有廣泛的應(yīng)用。利用跟蹤系統(tǒng)的智能化,能夠有效降低相關(guān)工作人員的工作強(qiáng)度,提高效率。隨著人工智能技術(shù)的飛速發(fā)展,目標(biāo)跟蹤技術(shù)日漸成熟,但是真實(shí)場(chǎng)景中的目標(biāo)跟蹤仍面臨著各種非約束條件,如被跟蹤目標(biāo)物體的外觀變化、平面內(nèi)外旋轉(zhuǎn)、尺度變化、背景空間的光照變化、以及背景物體與目標(biāo)物體的遮擋等因素的影響。這些非約束條件的變化會(huì)影響到目標(biāo)跟蹤算法的性能,無法實(shí)現(xiàn)目標(biāo)跟蹤在實(shí)際生活中的應(yīng)用。視頻序列的檢測(cè)與跟蹤是一個(gè)典型的時(shí)序任務(wù),前后幀的時(shí)序信息能夠幫助提升跟蹤算法的性能,基于此,本文針對(duì)復(fù)雜場(chǎng)景中的目標(biāo)檢測(cè)與跟蹤問題進(jìn)行了相關(guān)研究,引入視頻幀的幀間信息,將循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用于目標(biāo)跟蹤任務(wù),設(shè)計(jì)實(shí)現(xiàn)了一個(gè)基于循環(huán)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤系統(tǒng)。本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤算法,并在其基礎(chǔ)上做了改進(jìn),實(shí)現(xiàn)了部分遮擋場(chǎng)景下的性能提升。同時(shí)設(shè)計(jì)并實(shí)現(xiàn)了一套基于本文提出算法的可交互的目標(biāo)檢測(cè)與跟蹤系統(tǒng)。下面我們將對(duì)本文的主要研究內(nèi)容及創(chuàng)新點(diǎn)進(jìn)行簡要介紹。1.為了有效地縮小候選區(qū)域的搜索范圍,同時(shí)減少目標(biāo)跟蹤性能對(duì)目標(biāo)檢測(cè)性能的依賴性,提出了基于長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)的方向預(yù)測(cè)模型,用來確定物體運(yùn)動(dòng)狀態(tài),幫助用于目標(biāo)檢測(cè)的感興趣區(qū)域的確定。通過實(shí)驗(yàn)驗(yàn)證,相比于其他的跟蹤算法,本文的跟蹤算法對(duì)幀間的時(shí)序信息利用的比較充分,使得本文提出的算法無論是精度還是速度都有一定的優(yōu)勢(shì)。同時(shí),本文提出的基于運(yùn)動(dòng)方向預(yù)測(cè)的目標(biāo)檢測(cè)與跟蹤算法對(duì)于目標(biāo)尺度發(fā)生劇烈變化的場(chǎng)景更加魯棒。2.為了進(jìn)一步減少對(duì)目標(biāo)檢測(cè)性能的依賴性以及加快跟蹤算法的速度,在基于循環(huán)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤算法的基礎(chǔ)上,提出了一種自適應(yīng)的檢測(cè)機(jī)制,通過將相關(guān)濾波與深度學(xué)習(xí)結(jié)合,實(shí)現(xiàn)了不逐幀檢測(cè)。實(shí)驗(yàn)結(jié)果表明,使用相關(guān)濾波思想的方法對(duì)提升跟蹤性能、減小對(duì)目標(biāo)檢測(cè)的依賴以及提升跟蹤速度有所幫助。同時(shí),本文提出的基于自適應(yīng)檢測(cè)的目標(biāo)跟蹤算法對(duì)于目標(biāo)被部分遮擋的場(chǎng)景更加魯棒。3.基于本文提出的基于循環(huán)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤算法,設(shè)計(jì)并實(shí)現(xiàn)了一套可交互的目標(biāo)檢測(cè)與跟蹤系統(tǒng)。驗(yàn)證了本文提出的目標(biāo)檢測(cè)與跟蹤算法可以應(yīng)用到實(shí)際的復(fù)雜場(chǎng)效中,木文設(shè)計(jì)和實(shí)現(xiàn)的交互系統(tǒng)具有一定的實(shí)用價(jià)值,因此本文研究的內(nèi)容具有廣泛的研究意義和應(yīng)用價(jià)值。綜上,使用OTB以及VOT數(shù)據(jù)集對(duì)本文提出的基于運(yùn)動(dòng)方向預(yù)測(cè)的目標(biāo)檢測(cè)與跟蹤算法及基于自適應(yīng)檢測(cè)的目標(biāo)跟蹤算法進(jìn)行測(cè)試,在兩個(gè)數(shù)據(jù)集上均取得了較好的評(píng)測(cè)效果。另外,對(duì)本文設(shè)計(jì)的可交互的目標(biāo)檢測(cè)與跟蹤系統(tǒng)進(jìn)行測(cè)試,證明了本文設(shè)計(jì)并實(shí)現(xiàn)的交互系統(tǒng)具有一定的應(yīng)用價(jià)值。
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183
【圖文】：

邊界框回歸是一種對(duì)預(yù)測(cè)得到的目標(biāo)候選框進(jìn)行糾正的線性回歸算法。由于逡逑檢測(cè)得到的目標(biāo)邊界框與真值框差別較大，即使分類器識(shí)別正確，還是會(huì)導(dǎo)致最逡逑后的檢測(cè)結(jié)果失敗，如圖２－１所示。其中紅色的框表示真值框，綠色的框表示預(yù)逡逑測(cè)得到的邊界框，即便綠色的框被正確識(shí)別為汽車，但是由于綠色框與紅色框的逡逑ＩＯＵ小于閾值，一般為０．５，還是認(rèn)為沒有正確的檢測(cè)出汽車。因此，我們需要逡逑對(duì)預(yù)測(cè)框進(jìn)行微調(diào)，經(jīng)過微調(diào)后的預(yù)測(cè)框與真值框更加接近，使得預(yù)測(cè)框的定位逡逑更加準(zhǔn)確。逡逑、一逡逑Ｂ邐＾逡逑．．．．邋＇邋．逡逑匕：逡逑圖２－丨預(yù)測(cè)邊界框與真值框?qū)Ρ仁疽鈭D逡逑對(duì)于一個(gè)邊界框一般使用四維向量（ｘ，ｙ，ｗ，邋ｈ）表示，分別代表邊界框逡逑的中心點(diǎn)坐標(biāo)以及長和寬。通過邊界框回歸得到的映射結(jié)果如圖２－２所示，紅色逡逑框表示目標(biāo)的真值框Ｇ，綠色框表示檢測(cè)得到的邊界框Ｐ。邊界框回歸的目標(biāo)是逡逑尋找一種關(guān)系使得輸入檢測(cè)得到的邊界框Ｐ經(jīng)過映射得到一個(gè)更接近于真值框逡逑９逡逑

通過平移和尺度縮放可以實(shí)現(xiàn)上述的映射關(guān)系。首先對(duì)邊界框的中心點(diǎn)坐標(biāo)逡逑做平移，然后再對(duì)邊界框的寬和高做尺度縮放。邊界框回歸就是學(xué)習(xí)四個(gè)偏移量，逡逑那么目標(biāo)函數(shù)可以表示為［|義希蓿ǎ穡劍�；�

本文編號(hào)：2804859