作為當(dāng)今計(jì)算機(jī)視覺研究領(lǐng)域的重要組成部分之一,視頻目標(biāo)跟蹤任務(wù)需要各個領(lǐng)域知識的綜合運(yùn)用,只有這樣才能在遇到突發(fā)情況時(shí)做出快速地應(yīng)對,進(jìn)而實(shí)現(xiàn)魯棒追蹤目標(biāo)。從目前深度學(xué)習(xí)的運(yùn)用情況來看,最終整體目標(biāo)置信度是其主要的研究及運(yùn)用方向,而網(wǎng)絡(luò)的中間特征及多樣的跟蹤方式則沒有受到學(xué)術(shù)界的重視。因而,本文將著重研究如何通過網(wǎng)絡(luò)與跟蹤流程的運(yùn)用來幫助提升算法性能。本文主要的研究如下:（1）提出了基于RGBD和稀疏學(xué)習(xí)的跟蹤算法。首先在稀疏學(xué)習(xí)跟蹤結(jié)構(gòu)框架下的基礎(chǔ)上,通過運(yùn)用深度信息檢測目標(biāo)范圍內(nèi)的遮擋物;然后通過對檢測獲得的遮擋物區(qū)域分析,制作遮擋物模板;接著利用深度圖像的特性和彩色圖像的視覺特性,來描述目標(biāo)外觀的魯棒特征;最后,提出了一種基于深度直方圖分析的遮擋物檢測方法,用來避免錯誤的模板更新。實(shí)驗(yàn)結(jié)果表明,該算法相比其它四種跟蹤算法,在面對光照變化或是遮擋物時(shí),對目標(biāo)的跟蹤效果都最好。（2）提出了基于深度學(xué)習(xí)的L1跟蹤算法。利用固定攝像頭下視頻場景中一塊利于分辨目標(biāo)的區(qū)域構(gòu)造訓(xùn)練樣本,構(gòu)建一個兩路對稱并且權(quán)重共享的深度卷積神經(jīng)網(wǎng)路。在L1跟蹤系統(tǒng)中,對目標(biāo)候選特征利用訓(xùn)練好的深度網(wǎng)絡(luò)來提取并... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

信號的稀疏表示i矩陣代表

sis Pursuit，BP）[22]、基于框架的算法（Method of Frame，MF）[21]、基于光滑分解算法（SLO）[23]、交替投影法（AP）[24]、用于稀疏重構(gòu)的梯度映射算法（G D.L.Donoho 證明出，當(dāng)求解范數(shù)最小化問題足夠稀疏時(shí)，那么公式（2.2）和化問題[26]是相同的： . . = 表示向量的 范數(shù)。上式中的 范數(shù)最小化問題可以在多項(xiàng)式時(shí)間內(nèi)通過標(biāo)準(zhǔn)法[27]進(jìn)行求解，它有包括內(nèi)點(diǎn)法和單純形法兩種方法。稀疏學(xué)習(xí)跟蹤算法的基本原理稀疏學(xué)習(xí)的跟蹤算法，它可以和粒子濾波理論[28]相結(jié)合，從而在得到目標(biāo)最新續(xù)優(yōu)化目標(biāo)狀態(tài)。其算法的構(gòu)成有：粒子濾波、稀疏學(xué)習(xí)、模板更新以及遮檔模塊，下圖 2.3 展示的是它的算法框架。

圖 4.1 深度網(wǎng)絡(luò)的架構(gòu)在第 2 層中，為可以更為全部的運(yùn)用輸入數(shù)據(jù)x ，此章在每一個x 的外圍做出填補(bǔ)，補(bǔ)的尺寸是 2。然后把x 和 256 個卷積核順次做出卷積，對照的權(quán)重系數(shù)是 ; ; ; ， ∈ × ×，每一個卷積核的路徑數(shù)與尺度依次是 96 與5×5，樣采集間距是 1，獲得 = （4.此層樣本采集尺度是在 3×3的濾波器下予以樣本的采集，樣本采集間距是 2，因 ∈ ×，把全部的特征映射x 構(gòu)成 ∈ ×，維度是 = 256×5×5。第 3 層中，此章把x 映射 ，此層不包括池化。32 個卷積核分別和x 做出卷積，卷積的路徑數(shù)與尺度依次是3×3，每一個輸入x 填充的尺寸是 1。卷積核對照的權(quán)重系數(shù)記作 ; ; ; ， ∈ ×。 = （4.

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)技術(shù)創(chuàng)新實(shí)踐[J]. 周川,陳付軍,李奕,侯偉.  中國安防. 2017(04)
[2]基于深度網(wǎng)絡(luò)的可學(xué)習(xí)感受野算法在圖像分類中的應(yīng)用[J]. 王博,郭繼昌,張艷.  控制理論與應(yīng)用. 2015(08)
[3]一種新的空間直方圖相似性度量方法及其在目標(biāo)跟蹤中的應(yīng)用[J]. 姚志均.  電子與信息學(xué)報(bào). 2013(07)
[4]基于粒子Mean Shift遷移的紅外人體目標(biāo)跟蹤算法[J]. 云廷進(jìn),郭永彩,高潮.  計(jì)算機(jī)學(xué)報(bào). 2009(06)
[5]復(fù)雜場景下的變形目標(biāo)跟蹤[J]. 史澤林,王俊卿,黃莎白.  光電工程. 2005(01)



本文編號：3317608