物體追蹤是計(jì)算機(jī)視覺領(lǐng)域非常重要的研究方向,近年來備受研究者們的關(guān)注和青睞。視覺追蹤是對視頻第一幀圖像中需要跟蹤的物體進(jìn)行標(biāo)注,在后續(xù)的圖像中標(biāo)記出待追蹤物體的位置和對應(yīng)的邊框。近年來基于卷積神經(jīng)網(wǎng)絡(luò)的視覺追蹤算法取得了突破性的進(jìn)展,但是這種方法僅提取圖像的局部為特征,并沒有考慮到不同圖像中追蹤物體位置之間的依賴關(guān)系。本文提出使用遞歸網(wǎng)絡(luò)學(xué)習(xí)不同序列之間的依賴關(guān)系,同時(shí)使用卷積網(wǎng)絡(luò)預(yù)測不同狀態(tài)下每個(gè)動(dòng)作的執(zhí)行概率,使用策略梯度算法優(yōu)化目標(biāo)函數(shù),提出了基于深度強(qiáng)化學(xué)習(xí)的視覺追蹤算法。強(qiáng)化學(xué)習(xí)旨在構(gòu)造一個(gè)馬爾科夫決策過程,學(xué)習(xí)狀態(tài)和動(dòng)作之間的映射關(guān)系,將視覺追蹤任務(wù)定義為馬爾科夫決策過程,當(dāng)前的物體在不同的時(shí)刻下通過一系列的動(dòng)作得到待追蹤物體的位置。長短記憶模型通過當(dāng)前的輸入和上一時(shí)刻隱含的狀態(tài)輸出作為網(wǎng)絡(luò)的輸入去學(xué)習(xí)不同序列的依賴關(guān)系。本文在介紹了基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)的策略梯度算法的基礎(chǔ)上,深入分析了經(jīng)典的深度學(xué)習(xí)的視覺追蹤算法,并提出了基于深度強(qiáng)化學(xué)習(xí)的視覺追蹤方法,經(jīng)過實(shí)驗(yàn)對比分析,本文所提出的方法能夠運(yùn)用到實(shí)際的環(huán)境中并且提升了追蹤效率。 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

視覺追蹤案例

第二章 視覺追蹤算法基礎(chǔ)理論視覺追蹤是給定視頻第一幀圖像中需要跟蹤物體的位置和邊框，在后續(xù)的圖像中標(biāo)注出物體出現(xiàn)的位置。本章首先詳細(xì)的闡述了基于判別模型的視覺追蹤算法，然后系統(tǒng)的介紹了深度卷積網(wǎng)絡(luò)和遞歸網(wǎng)絡(luò)的基本架構(gòu)。2.1 視覺追蹤算法追蹤物體的運(yùn)動(dòng)過程中，除了物體在圖像中位置發(fā)生變化，背景中的相關(guān)的信息也會(huì)發(fā)生變化，出現(xiàn)的噪音和干擾像素會(huì)影響跟蹤物體的邊界定位。同時(shí)在不同的時(shí)間序列下，待跟蹤物體的形態(tài)，所占圖像比例的大小也會(huì)發(fā)生變化，背景中不相干物體對目標(biāo)的遮擋也會(huì)影響跟蹤的效果。如圖 2.1 所示，圖中列舉了跟蹤目標(biāo)在不同時(shí)刻下呈現(xiàn)的姿態(tài)。在第一幀圖像中，目標(biāo)形態(tài)背景和輪廓比較清晰，在后續(xù)的三張圖像中，圖像的左下角出現(xiàn)了另外一個(gè)人，產(chǎn)生了對物體的局部遮擋，在后期的圖像中，物體的形態(tài)都發(fā)生了不同程度的變化。

圖 2.2 候選框示意圖了候選框之后，使用特征提取算法得到候選位置區(qū)域的特征，然后輸當(dāng)前學(xué)習(xí)到的圖像是前景還是背景。在這個(gè)環(huán)節(jié)中，最重要的是圖像傳統(tǒng)手動(dòng)設(shè)計(jì)的特征提取方法并不能準(zhǔn)確的刻畫圖像的語義信息，近的發(fā)展，基于深度卷積網(wǎng)絡(luò)的圖像分類方法取得了巨大的成就。使用視覺追蹤算法的流程，如下圖 2.3 所示：圖 2.3 基于深度網(wǎng)絡(luò)的視覺追蹤算法流程

【參考文獻(xiàn)】：
期刊論文
[1]基于Faster RCNN以及多部件結(jié)合的機(jī)場場面靜態(tài)飛機(jī)檢測[J]. 戴陳卡,李毅.  計(jì)算機(jī)應(yīng)用. 2017(S2)
[2]Faster-RCNN的車型識(shí)別分析[J]. 桑軍,郭沛,項(xiàng)志立,羅紅玲,陳欣.  重慶大學(xué)學(xué)報(bào). 2017(07)
[3]基于Fast R-CNN的車輛目標(biāo)檢測[J]. 曹詩雨,劉躍虎,李辛昭.  中國圖象圖形學(xué)報(bào). 2017(05)
[4]多特征融合的多模板協(xié)同相關(guān)跟蹤[J]. 毛寧,楊德東,楊福才,蔡玉柱.  液晶與顯示. 2017(02)
[5]深度學(xué)習(xí)框架Caffe在圖像分類中的應(yīng)用[J]. 王茜,張海仙.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2016(05)
[6]基于局部分塊和模型更新的視覺跟蹤算法[J]. 侯志強(qiáng),黃安奇,余旺盛,劉翔.  電子與信息學(xué)報(bào). 2015(06)
[7]稀疏性正則化非負(fù)矩陣分解的在線學(xué)習(xí)方法[J]. 薛模根,徐國明,王峰.  模式識(shí)別與人工智能. 2013(03)
[8]對立色LBP模型的目標(biāo)跟蹤[J]. 張炯,寧紀(jì)鋒,顏永豐,于偉.  中國圖象圖形學(xué)報(bào). 2012(11)
[9]基于改進(jìn)Bhattacharyya系數(shù)的粒子濾波視覺跟蹤算法[J]. 朱明清,王智靈,陳宗海.  控制與決策. 2012(10)
[10]視覺跟蹤技術(shù)研究現(xiàn)狀及其展望[J]. 李谷全,陳忠澤.  計(jì)算機(jī)應(yīng)用研究. 2010(08)

碩士論文
[1]基于判別學(xué)習(xí)的單目標(biāo)跟蹤系統(tǒng)研究與實(shí)現(xiàn)[D]. 劉鵬舉.哈爾濱工業(yè)大學(xué) 2016
[2]基于HOG特征和模板匹配的行人檢測與跟蹤研究[D]. 周科嘉.吉林大學(xué) 2014
[3]基于視覺的運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)研究[D]. 彭超.重慶大學(xué) 2014
[4]基于傳統(tǒng)方法和深度學(xué)習(xí)的圖像精細(xì)分類研究[D]. 張恒亨.合肥工業(yè)大學(xué) 2014



本文編號(hào)：3276966