視覺追蹤作為計算機視覺領域一個重要課題,在安防,自動駕駛,智能機器人等應用場景中,具有重要的作用。目前主流的追蹤算法主要面臨幾個問題,一個是速度和精度很難均衡;第二個是對于離線數(shù)據(jù)的吸收能力不強,對于大數(shù)據(jù)的利用不好;第三個是缺乏高效的在線更新方式,使得追蹤算法對于追蹤目標的形變,背景變化等情況適應能力不強。在實際場景中,要求追蹤算法達到好的實時性。因此,追蹤算法需要權衡速度和精度的要求。同時,不同的場景會有不同的數(shù)據(jù),充分利用大數(shù)據(jù)的優(yōu)勢,能更方便快捷地適應不同的場景。為了解決這三個問題,本文提出了解決方案。本畢設提出了一種高效的端到端的追蹤算法,并設計了優(yōu)雅,輕量級的網(wǎng)絡結構用于訓練。通過端到端的訓練框架,能很好的吸收離線大規(guī)模樣本,而不需要設計復雜的手工特征。同時,本畢設提出了元學習的方式,對在線的樣本進行學習,快速更新網(wǎng)絡的參數(shù),增加了追蹤算法對不同追蹤目標的適應能力。通過線下訓練和線上更新的方式,充分挖掘了網(wǎng)絡的潛能,使得網(wǎng)絡具有遷移性和適用性,從而達到了速度和精度的權衡。最后,通過設計科學合理的實驗,通過和主流的追蹤算法對比以及自身的性能分析,證明了本畢設提出的方法的有效性。本畢設的追蹤算法在權威數(shù)據(jù)集OTB2013[1],OTB2015[2],VOT2016[3]上均有良好的表現(xiàn),同時追蹤的速度達到了60FPS,滿足了實時性的要求。
【學位單位】：北京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

連接參數(shù)進行學習，而卷積參數(shù)不隨著視頻進行重新初始化，而是通過隨機梯度下??降算法不斷更新參數(shù)。這樣離線訓練出來的卷積參數(shù)具有一定的區(qū)分前景和背景的??能力，但是對于具體視頻的適用性不強。如圖２－２為基于前景背景的二分類網(wǎng)絡結構??圖，對于一個視頻，初始化一個新的ｆｃ參數(shù)，卷積部分共享參數(shù)。????—？?ＦＣ?Ｖｉｄｅｏｌ??Ｃ〇ｎｖ?１?—？！—＂ＦＣ￣?Ｖｉｄｅｏ２??產生樣本一？！???—？?ＦＣ１?－？?ＦＣ２???Ｔ＾ＪＪ?Ｖｉｄｅｏ３??—？?ＦＣ?Ｖｉｄｅｏ４??圖２－２?基于前景背景的二分類網(wǎng)絡框架圖。??離線訓練可以使得提特征網(wǎng)絡具有很好的泛化能力，但是在線上預測時，全連??接參數(shù)對于新的物體的前景和背景的區(qū)分并不好。因此，在線上預測的過程中，需??要重新初始化一組全連接參數(shù)。通過對當前追蹤序列的在線學習，使得全連接學習??的參數(shù)具有物體意識，能準確的獲取當前物體的特性。這種方法的一大缺點就是需??要在線更新全連接參數(shù)，使得追蹤速度會收到很大的影響。??我們知道，在目標檢測中，存在大量的正樣本和負樣本，其中大多數(shù)樣本都是??簡單樣本。這些簡單樣本在訓練的時候

本章將介紹基于卷積神經網(wǎng)絡的端到端訓練的高速追蹤算法關鍵技術點和本文??的主要創(chuàng)新點。從數(shù)據(jù)集，數(shù)據(jù)增強方法，端到端訓練框架，網(wǎng)絡結構設計，元學習??訓練等方法介紹了本畢設追蹤算法的核心技術。如圖３－１所示是本畢設追蹤器的追蹤??效果圖，左上角標注了圖片的幀號，可以看到，ＨＦＤＣＦ算法具有良好的魯棒性，在??物體背景復雜，物體形變，運動模糊等情況下都有良好的魯棒性。???ＨＦＤＣＦ?ＭＤＮｅｔ?ＤｅｅｐＳＲＤＣＦ?ＳｉａｍＦＣ?ＫＣＦ??圖３－］?不同追蹤器追蹤效果對比圖。??３．１訓練數(shù)據(jù)集介紹??３．１．１?ＩｍａｇｅＮｅｔ?ＶＩＤ?數(shù)據(jù)集??ＩｍａｇｅＮｅｔ［２３］?ＶＩＤ數(shù)據(jù)集主要是用來進行視頻中的物體檢測。ＶＩＤ任務中，總共??有３０個物體類別，這３０個類別是從２００個ＩｍａｇｅＮｅｔ＾檢測任務中的類別集合的子??集。同時，為了使得挑選的類別更加具有代表性，考慮到不同類別的物體運動方式，??大小等不同，挑選了?３０個有代表性的物體類別。對于每一個視頻，標注了如下四個??１９??

通過前饋和后饋信號，指導網(wǎng)絡的訓練。這個訓練方式，能充分挖掘網(wǎng)絡的力，使得設計出高效的網(wǎng)絡結構成為可能。同時，訓練的便捷性使得科研工作者嘗試多種訓練方式和策略，加快工作迭代的速度。??３．２．１框架設計??端到端的訓練方式，使得網(wǎng)絡能充分吸收大量的離線樣本，因此這種的訓練式具有數(shù)據(jù)驅動的特點，大數(shù)據(jù)的作用被充分發(fā)掘出來。通過挖掘足夠的數(shù)據(jù)，能會有一定的提升。這一點在實用上非常方便和有效，一個具體的追蹤場景，只要積累足夠的訓練數(shù)據(jù)，該方法便能顯著提高性能。此外，通過端到端的方式，能自??主設計網(wǎng)絡結構，通過大數(shù)據(jù)和正確的損失監(jiān)督，避免了手動調參和進行大量特工程的繁瑣。??如圖３－２所示，為端到端訓練框架示意圖。輸入模板圖片和搜索圖片，通過本設設計的網(wǎng)絡結構，得到模板圖片和搜索圖片的兩個特征。將這兩個特征進行濾操作，通過計算，得到最終框的位置。??—
【相似文獻】

相關期刊論文 前10條

1 袁靜;;基于回溯思想的多面體面追蹤算法[J];計算機仿真;2014年11期

2 張麗娟;李澤仁;;視頻追蹤算法研究[J];新媒體研究;2015年01期

3 楊希祥;楊濤;楊慧欣;張為華;;多個體系統(tǒng)編隊分布式控制的循環(huán)追蹤算法[J];中南大學學報(自然科學版);2014年02期

4 柴天峰;朱小龍;毛勇建;盧永剛;;面向飛行器平臺的圖像目標追蹤算法[J];現(xiàn)代防御技術;2017年03期

5 尚俊;;基于稀疏表示的目標追蹤算法[J];湖北第二師范學院學報;2014年08期

6 趙鼎;丁耀根;孫鵬;王進華;;動態(tài)追蹤算法在速調管輸出段計算中的應用[J];物理學報;2006年05期

7 解成俊;徐林;張鐵山;;利用基追蹤算法實現(xiàn)圖像壓縮感知重建研究[J];電子設計工程;2011年11期

8 劉相濱,向堅持,謝林海;一種改進的圍線追蹤算法[J];計算機工程與應用;2005年29期

9 張彬彬;王福龍;;分塊快速壓縮追蹤算法[J];計算機系統(tǒng)應用;2016年05期

10 楊希祥;楊濤;張為華;;基于循環(huán)追蹤算法的編隊航天器交會控制[J];國防科技大學學報;2014年01期

相關博士學位論文 前1條

1 張翔;活細胞中運動囊泡的識別和追蹤算法及單分子熒光能量共振轉移技術方法的研究[D];華中科技大學;2017年

相關碩士學位論文 前10條

1 何智群;基于卷積神經網(wǎng)絡的端到端的高速追蹤算法研究[D];北京郵電大學;2019年

2 劉忠耿;基于核相關濾波器的目標追蹤算法研究[D];南京理工大學;2018年

3 孟冬偉;基于三分支神經網(wǎng)絡的單目標追蹤算法研究[D];哈爾濱工業(yè)大學;2018年

4 張峰境;多點追蹤算法的設計與FPGA實現(xiàn)[D];湘潭大學;2018年

5 賀瀟;基于深度學習檢測與核相關濾波器的追蹤算法[D];北京郵電大學;2018年

6 方露;視頻中運動目標檢測與追蹤算法研究[D];安徽工程大學;2017年

7 陳帥;Metropolis光線追蹤算法的研究與改進[D];中國民航大學;2017年

8 柴天峰;面向飛行器平臺的圖像目標追蹤算法研究[D];中國工程物理研究院;2017年

9 張彬彬;壓縮追蹤算法研究[D];廣東工業(yè)大學;2016年

10 劉建華;基于ZigBee技術的室內被動定位追蹤算法研究[D];東南大學;2016年

本文編號：2886275