目標(biāo)跟蹤作為人工智能領(lǐng)域的一個(gè)重要分支,它是對(duì)序列圖像的處理過(guò)程,即在連續(xù)幀中輸出指定目標(biāo)的準(zhǔn)確位置并形成運(yùn)動(dòng)軌跡�，F(xiàn)在目標(biāo)跟蹤的應(yīng)用主要集中在智能監(jiān)控、無(wú)人機(jī)、自動(dòng)駕駛等領(lǐng)域。在目標(biāo)跟蹤領(lǐng)域,從傳統(tǒng)算法到深度學(xué)習(xí)算法的遞進(jìn)過(guò)程中,目標(biāo)是否具有全面的特征表達(dá)會(huì)直接影響跟蹤的精度和成功率。如何獲得更全面的特征表示方法是本文的關(guān)鍵點(diǎn)之一。近些年來(lái)的目標(biāo)跟蹤算法可大致分為傳統(tǒng)的目標(biāo)跟蹤算法以及深度學(xué)習(xí)相關(guān)的目標(biāo)跟蹤算法。傳統(tǒng)目標(biāo)跟蹤算法一般具有良好的實(shí)時(shí)性,但是它只針對(duì)特定場(chǎng)景,泛化性能差。深度學(xué)習(xí)在處理圖像時(shí)模擬人類(lèi)的視覺(jué)系統(tǒng),對(duì)接收到的外部信息進(jìn)行分級(jí)處理,通過(guò)組合底層特征形成更加抽象的高層特征,可面對(duì)各種復(fù)雜場(chǎng)景變化,具有良好的泛化性能,但是實(shí)時(shí)性有所欠佳。針對(duì)這些不足,本文所提出的基于深度學(xué)習(xí)的目標(biāo)跟蹤算法,設(shè)計(jì)了一個(gè)輕量級(jí)的端到端的跟蹤網(wǎng)絡(luò),不僅優(yōu)化了特征表達(dá)從而實(shí)現(xiàn)更穩(wěn)定的跟蹤效果,而且加入了相關(guān)濾波層來(lái)提高跟蹤速度,使得本文的算法在精度、成功率和速度上都具有一定的優(yōu)勢(shì)。本文的工作總結(jié)如下:第一,為了獲取圖像序列的時(shí)間和空間信息,設(shè)計(jì)時(shí)空采樣網(wǎng)絡(luò)來(lái)提取特征,并加入了可變形卷積層,... 

【文章來(lái)源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所)四川省

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

目標(biāo)跟蹤示意圖

31.2國(guó)內(nèi)外研究現(xiàn)狀一般來(lái)說(shuō)，關(guān)于目標(biāo)跟蹤的算法被分為兩類(lèi)：傳統(tǒng)算法和基于深度學(xué)習(xí)的算法。目標(biāo)跟蹤初始發(fā)展階段，國(guó)內(nèi)外的研究更多地集中在傳統(tǒng)的跟蹤算法中，如光流法[6]、卡爾曼濾波[7][8]、粒子濾波[9]、Mean-Shift[10]，這些傳統(tǒng)算法需要在考慮尺度不變性、旋轉(zhuǎn)不變性、光照不變性等條件下，進(jìn)行手工設(shè)計(jì)提�。╤and-craft）特征，比如紋理、邊緣(Harr_like)、方向梯度直方圖(HistogramofOrientedGradient,HOG)、CN(ColorNames)[11]或者一些更高級(jí)的特征，再送入分類(lèi)器輸出標(biāo)簽。隨著深度學(xué)習(xí)發(fā)展以后，越來(lái)越多的人關(guān)注在跟蹤中使用深度學(xué)習(xí)的方法，如圖1.2所示，與傳統(tǒng)算法不同的是，深度學(xué)習(xí)的方法主要是將圖像輸入深度神經(jīng)網(wǎng)絡(luò)，輸出標(biāo)簽，直接輸出結(jié)果，特征提取和分類(lèi)同時(shí)進(jìn)行，并且是從原始數(shù)據(jù)中自動(dòng)化地提取特征，不需要手工設(shè)計(jì)特征。所以相較于傳統(tǒng)算法，深度學(xué)習(xí)可以做到更好精度，經(jīng)過(guò)大數(shù)據(jù)訓(xùn)練過(guò)的網(wǎng)絡(luò)模型擁有很強(qiáng)的特征提取能力，同時(shí)深度網(wǎng)絡(luò)模型的泛化能力也很優(yōu)秀。圖1.2深度學(xué)習(xí)和傳統(tǒng)方法對(duì)比圖Figure1.2IllustrationofComparisonbetweenDeepLearningandTraditionalMethods1.2.1傳統(tǒng)目標(biāo)跟蹤算法根據(jù)目標(biāo)外觀模型不同，傳統(tǒng)算法可分為生成式模型(GenerativeModel)和判別式模型(DiscriminativeModel)兩大類(lèi)。（1）生成式跟蹤方法基于生成式模型的跟蹤方法可被描述為：首先對(duì)目標(biāo)外觀進(jìn)行建模，得到目標(biāo)的外觀特征表達(dá)，在圖像的搜索區(qū)域進(jìn)行特征模型匹配，輸出匹配度最高的區(qū)域，即完成了目標(biāo)的識(shí)別定位。生成式模型目標(biāo)表示可分為兩類(lèi)[14]：基于線性子空間的目標(biāo)表示方法和稀疏編碼。

6(RegionProposalNetworks,RPN)[25]來(lái)對(duì)bonding-box進(jìn)行回歸，提高跟蹤定位的精度。目標(biāo)跟蹤領(lǐng)域中大多深度神經(jīng)網(wǎng)絡(luò)采用卷積神經(jīng)網(wǎng)絡(luò)來(lái)作為特征提取網(wǎng)絡(luò)，本文所研究的算法即采用卷積神經(jīng)網(wǎng)絡(luò)。（2）RNN-based算法CNN是一種前饋神經(jīng)網(wǎng)絡(luò)，信息從輸入層，通過(guò)隱藏層到輸出層，只進(jìn)行單向移動(dòng)。循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）是一種專(zhuān)門(mén)用來(lái)處理時(shí)間序列的數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。由圖1.3可以看到，每一個(gè)隱藏層的輸入不僅包含了輸入層的輸入，也包含了上一個(gè)隱藏層的信息輸入，使得RNN網(wǎng)絡(luò)可以擁有記憶的功能。在隱藏層有一個(gè)箭頭表示數(shù)據(jù)的循環(huán)更新,這個(gè)就是實(shí)現(xiàn)時(shí)間記憶功能的方法。圖1.3RNN網(wǎng)絡(luò)結(jié)構(gòu)Figure1.3IllustrationofRNN目標(biāo)跟蹤的圖像序列具有時(shí)間上的關(guān)聯(lián)性，而RNN網(wǎng)絡(luò)用來(lái)處理這種時(shí)間序列非常合適，但是此網(wǎng)絡(luò)容易出現(xiàn)梯度消失或者梯度爆炸的問(wèn)題，梯度消失主要是由于時(shí)間過(guò)長(zhǎng)而造成記憶值較小的現(xiàn)象。為解決梯度消失和梯度爆炸的問(wèn)題，后出現(xiàn)了改進(jìn)算法LSTM（LongShortTermMemory,長(zhǎng)短期記憶網(wǎng)絡(luò)）[26]和GRU（GateRecurrentUnit，門(mén)控循環(huán)單元）[27]。LSTM引入了輸入門(mén)、遺忘門(mén)以及輸出門(mén)三個(gè)門(mén)結(jié)構(gòu)和一個(gè)內(nèi)部記憶單元，輸入門(mén)控制當(dāng)前計(jì)算的新?tīng)顟B(tài)以多大程度更新到記憶單元中；遺忘門(mén)控制前一步記憶單元中的信息有多大程度被遺忘掉；輸出門(mén)控制當(dāng)前的輸出有多大程度上取決于當(dāng)前的記憶單元。GRU是2014年提出的一種LSTM改進(jìn)算法.它將遺忘門(mén)和輸入門(mén)合并成為一個(gè)單一的更新門(mén)，同時(shí)合并了數(shù)據(jù)單元狀態(tài)和隱藏狀態(tài)，使得模型結(jié)構(gòu)比之于LSTM更為簡(jiǎn)單。

【參考文獻(xiàn)】：
期刊論文
[1]Optimal Neuro-Control Strategy for Nonlinear Systems With Asymmetric Input Constraints[J]. Xiong Yang,Bo Zhao.  IEEE/CAA Journal of Automatica Sinica. 2020(02)
[2]基于孿生網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)跟蹤算法綜述[J]. 陳云芳,吳懿,張偉.  計(jì)算機(jī)工程與應(yīng)用. 2020(06)
[3]基于卷積網(wǎng)絡(luò)的目標(biāo)跟蹤應(yīng)用研究[J]. 趙春梅,陳忠碧,張建林.  光電工程. 2020(01)
[4]基于時(shí)空采樣網(wǎng)絡(luò)的相關(guān)濾波目標(biāo)跟蹤算法[J]. 謝潁曉,蔡敬菊,張建林.  國(guó)外電子測(cè)量技術(shù). 2020(01)
[5]基于智能駕駛的動(dòng)態(tài)目標(biāo)跟蹤研究[J]. 張晶晶,楊鵬,劉元盛,梁軍.  計(jì)算機(jī)工程. 2018(07)
[6]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)別與人工智能. 2018(01)
[7]基于深度學(xué)習(xí)的目標(biāo)跟蹤方法研究現(xiàn)狀與展望[J]. 羅海波,許凌云,惠斌,常錚.  紅外與激光工程. 2017(05)
[8]基于生成式模型的目標(biāo)跟蹤方法綜述[J]. 朱文青,劉艷,卞樂(lè),張子龍.  微處理機(jī). 2017(01)

博士論文
[1]基于上下文信息的視頻目標(biāo)跟蹤問(wèn)題研究[D]. 陳紫晶.華中科技大學(xué) 2019

碩士論文
[1]基于目標(biāo)表征學(xué)習(xí)和更新建模的視頻跟蹤技術(shù)研究[D]. 黃江雷.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[2]基于多無(wú)人機(jī)協(xié)同的多視角目標(biāo)跟蹤算法的研究[D]. 劉偉.杭州電子科技大學(xué) 2018



本文編號(hào)：3109200