【摘要】：目標跟蹤無論是從研究方面還是實際應用方面都有很高的價值,因此目標跟蹤成為了計算機視覺的重要研究領域之一,同時在民用和軍事上都有廣泛的應用。利用跟蹤系統(tǒng)的智能化,能夠有效降低相關工作人員的工作強度,提高效率。隨著人工智能技術的飛速發(fā)展,目標跟蹤技術日漸成熟,但是真實場景中的目標跟蹤仍面臨著各種非約束條件,如被跟蹤目標物體的外觀變化、平面內外旋轉、尺度變化、背景空間的光照變化、以及背景物體與目標物體的遮擋等因素的影響。這些非約束條件的變化會影響到目標跟蹤算法的性能,無法實現目標跟蹤在實際生活中的應用。視頻序列的檢測與跟蹤是一個典型的時序任務,前后幀的時序信息能夠幫助提升跟蹤算法的性能,基于此,本文針對復雜場景中的目標檢測與跟蹤問題進行了相關研究,引入視頻幀的幀間信息,將循環(huán)神經網絡應用于目標跟蹤任務,設計實現了一個基于循環(huán)神經網絡的目標檢測與跟蹤系統(tǒng)。本文提出了一種基于循環(huán)神經網絡的目標檢測與跟蹤算法,并在其基礎上做了改進,實現了部分遮擋場景下的性能提升。同時設計并實現了一套基于本文提出算法的可交互的目標檢測與跟蹤系統(tǒng)。下面我們將對本文的主要研究內容及創(chuàng)新點進行簡要介紹。1.為了有效地縮小候選區(qū)域的搜索范圍,同時減少目標跟蹤性能對目標檢測性能的依賴性,提出了基于長短期記憶網絡(Long Short-Term Memory,LSTM)的方向預測模型,用來確定物體運動狀態(tài),幫助用于目標檢測的感興趣區(qū)域的確定。通過實驗驗證,相比于其他的跟蹤算法,本文的跟蹤算法對幀間的時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。同時,本文提出的基于運動方向預測的目標檢測與跟蹤算法對于目標尺度發(fā)生劇烈變化的場景更加魯棒。2.為了進一步減少對目標檢測性能的依賴性以及加快跟蹤算法的速度,在基于循環(huán)神經網絡的目標檢測與跟蹤算法的基礎上,提出了一種自適應的檢測機制,通過將相關濾波與深度學習結合,實現了不逐幀檢測。實驗結果表明,使用相關濾波思想的方法對提升跟蹤性能、減小對目標檢測的依賴以及提升跟蹤速度有所幫助。同時,本文提出的基于自適應檢測的目標跟蹤算法對于目標被部分遮擋的場景更加魯棒。3.基于本文提出的基于循環(huán)神經網絡的目標檢測與跟蹤算法,設計并實現了一套可交互的目標檢測與跟蹤系統(tǒng)。驗證了本文提出的目標檢測與跟蹤算法可以應用到實際的復雜場效中,木文設計和實現的交互系統(tǒng)具有一定的實用價值,因此本文研究的內容具有廣泛的研究意義和應用價值。綜上,使用OTB以及VOT數據集對本文提出的基于運動方向預測的目標檢測與跟蹤算法及基于自適應檢測的目標跟蹤算法進行測試,在兩個數據集上均取得了較好的評測效果。另外,對本文設計的可交互的目標檢測與跟蹤系統(tǒng)進行測試,證明了本文設計并實現的交互系統(tǒng)具有一定的應用價值。
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183
【圖文】：

邊界框回歸是一種對預測得到的目標候選框進行糾正的線性回歸算法。由于逡逑檢測得到的目標邊界框與真值框差別較大，即使分類器識別正確，還是會導致最逡逑后的檢測結果失敗，如圖２－１所示。其中紅色的框表示真值框，綠色的框表示預逡逑測得到的邊界框，即便綠色的框被正確識別為汽車，但是由于綠色框與紅色框的逡逑ＩＯＵ小于閾值，一般為０．５，還是認為沒有正確的檢測出汽車。因此，我們需要逡逑對預測框進行微調，經過微調后的預測框與真值框更加接近，使得預測框的定位逡逑更加準確。逡逑、一逡逑Ｂ邐＾逡逑．．．．邋＇邋．逡逑匕：逡逑圖２－丨預測邊界框與真值框對比示意圖逡逑對于一個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坐標以及長和寬。通過邊界框回歸得到的映射結果如圖２－２所示，紅色逡逑框表示目標的真值框Ｇ，綠色框表示檢測得到的邊界框Ｐ。邊界框回歸的目標是逡逑尋找一種關系使得輸入檢測得到的邊界框Ｐ經過映射得到一個更接近于真值框逡逑９逡逑

通過平移和尺度縮放可以實現上述的映射關系。首先對邊界框的中心點坐標逡逑做平移，然后再對邊界框的寬和高做尺度縮放。邊界框回歸就是學習四個偏移量，逡逑那么目標函數可以表示為［|義希蓿ǎ穡劍�；�

本文編號：2804859