視覺追蹤作為計算機(jī)視覺領(lǐng)域一個重要課題,在安防,自動駕駛,智能機(jī)器人等應(yīng)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(qiáng),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(biāo)的形變,背景變化等情況適應(yīng)能力不強(qiáng)。在實(shí)際場景中,要求追蹤算法達(dá)到好的實(shí)時性。因此,追蹤算法需要權(quán)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(yīng)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(shè)提出了一種高效的端到端的追蹤算法,并設(shè)計了優(yōu)雅,輕量級的網(wǎng)絡(luò)結(jié)構(gòu)用于訓(xùn)練。通過端到端的訓(xùn)練框架,能很好的吸收離線大規(guī)模樣本,而不需要設(shè)計復(fù)雜的手工特征。同時,本畢設(shè)提出了元學(xué)習(xí)的方式,對在線的樣本進(jìn)行學(xué)習(xí),快速更新網(wǎng)絡(luò)的參數(shù),增加了追蹤算法對不同追蹤目標(biāo)的適應(yīng)能力。通過線下訓(xùn)練和線上更新的方式,充分挖掘了網(wǎng)絡(luò)的潛能,使得網(wǎng)絡(luò)具有遷移性和適用性,從而達(dá)到了速度和精度的權(quán)衡。最后,通過設(shè)計科學(xué)合理的實(shí)驗(yàn),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(shè)提出的方法的有效性。本畢設(shè)的追蹤算法在權(quán)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(dá)到了60FPS,滿足了實(shí)時性的要求。
【學(xué)位單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

連接參數(shù)進(jìn)行學(xué)習(xí)，而卷積參數(shù)不隨著視頻進(jìn)行重新初始化，而是通過隨機(jī)梯度下??降算法不斷更新參數(shù)。這樣離線訓(xùn)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(qiáng)。如圖２－２為基于前景背景的二分類網(wǎng)絡(luò)結(jié)構(gòu)??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(chǎn)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(luò)框架圖。??離線訓(xùn)練可以使得提特征網(wǎng)絡(luò)具有很好的泛化能力，但是在線上預(yù)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(yù)測的過程中，需??要重新初始化一組全連接參數(shù)。通過對當(dāng)前追蹤序列的在線學(xué)習(xí)，使得全連接學(xué)習(xí)??的參數(shù)具有物體意識，能準(zhǔn)確的獲取當(dāng)前物體的特性。這種方法的一大缺點(diǎn)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(biāo)檢測中，存在大量的正樣本和負(fù)樣本，其中大多數(shù)樣本都是??簡單樣本。這些簡單樣本在訓(xùn)練的時候

本章將介紹基于卷積神經(jīng)網(wǎng)絡(luò)的端到端訓(xùn)練的高速追蹤算法關(guān)鍵技術(shù)點(diǎn)和本文??的主要創(chuàng)新點(diǎn)。從數(shù)據(jù)集，數(shù)據(jù)增強(qiáng)方法，端到端訓(xùn)練框架，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計，元學(xué)習(xí)??訓(xùn)練等方法介紹了本畢設(shè)追蹤算法的核心技術(shù)。如圖３－１所示是本畢設(shè)追蹤器的追蹤??效果圖，左上角標(biāo)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(fù)雜，物體形變，運(yùn)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(xùn)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(jìn)行視頻中的物體檢測。ＶＩＤ任務(wù)中，總共??有３０個物體類別，這３０個類別是從２００個ＩｍａｇｅＮｅｔ＾檢測任務(wù)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(yùn)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(biāo)注了如下四個??１９??

通過前饋和后饋信號，指導(dǎo)網(wǎng)絡(luò)的訓(xùn)練。這個訓(xùn)練方式，能充分挖掘網(wǎng)絡(luò)的力，使得設(shè)計出高效的網(wǎng)絡(luò)結(jié)構(gòu)成為可能。同時，訓(xùn)練的便捷性使得科研工作者嘗試多種訓(xùn)練方式和策略，加快工作迭代的速度。??３．２．１框架設(shè)計??端到端的訓(xùn)練方式，使得網(wǎng)絡(luò)能充分吸收大量的離線樣本，因此這種的訓(xùn)練式具有數(shù)據(jù)驅(qū)動的特點(diǎn)，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(diǎn)在實(shí)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(xùn)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(shè)計網(wǎng)絡(luò)結(jié)構(gòu)，通過大數(shù)據(jù)和正確的損失監(jiān)督，避免了手動調(diào)參和進(jìn)行大量特工程的繁瑣。??如圖３－２所示，為端到端訓(xùn)練框架示意圖。輸入模板圖片和搜索圖片，通過本設(shè)設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)，得到模板圖片和搜索圖片的兩個特征。將這兩個特征進(jìn)行濾操作，通過計算，得到最終框的位置。??—
【相似文獻(xiàn)】

相關(guān)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(jī)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(xué)學(xué)報(自然科學(xué)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(biāo)追蹤算法[J];現(xiàn)代防御技術(shù);2017年03期

5 尚俊;;基于稀疏表示的目標(biāo)追蹤算法[J];湖北第二師范學(xué)院學(xué)報;2014年08期

6 趙鼎;丁耀根;孫鵬;王進(jìn)華;;動態(tài)追蹤算法在速調(diào)管輸出段計算中的應(yīng)用[J];物理學(xué)報;2006年05期

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

8 劉相濱,向堅持,謝林海;一種改進(jìn)的圍線追蹤算法[J];計算機(jī)工程與應(yīng)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(jī)系統(tǒng)應(yīng)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(xué)學(xué)報;2014年01期

相關(guān)博士學(xué)位論文 前1條

1 張翔;活細(xì)胞中運(yùn)動囊泡的識別和追蹤算法及單分子熒光能量共振轉(zhuǎn)移技術(shù)方法的研究[D];華中科技大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

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

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

3 孟冬偉;基于三分支神經(jīng)網(wǎng)絡(luò)的單目標(biāo)追蹤算法研究[D];哈爾濱工業(yè)大學(xué);2018年

4 張峰境;多點(diǎn)追蹤算法的設(shè)計與FPGA實(shí)現(xiàn)[D];湘潭大學(xué);2018年

5 賀瀟;基于深度學(xué)習(xí)檢測與核相關(guān)濾波器的追蹤算法[D];北京郵電大學(xué);2018年

6 方露;視頻中運(yùn)動目標(biāo)檢測與追蹤算法研究[D];安徽工程大學(xué);2017年

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

8 柴天峰;面向飛行器平臺的圖像目標(biāo)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(xué);2016年

10 劉建華;基于ZigBee技術(shù)的室內(nèi)被動定位追蹤算法研究[D];東南大學(xué);2016年

本文編號：2886275