視覺目標跟蹤是計算機視覺領域中一個重要的研究方向,并且應用廣泛。近年來,深度學習在計算機視覺領域取得了顯著的效果,深度學習的發(fā)展不僅突破了很多傳統(tǒng)算法難以解決的難題,提升了計算機對于圖像和視頻的認知水平,更推動了計算機視覺領域相關技術的進步。基于深度學習的跟蹤算法也獲得了長足的發(fā)展,得到了較高的跟蹤性能。但是,依然存在許多問題制約了跟蹤性能的進一步提升,如通過響應圖確定的目標位置不夠精確、判別能力較差、初始化信息不準確等。本文針對單目標跟蹤中的問題進行了深入研究,有針對性地提出了三個基于深度學習的視覺目標跟蹤算法。本文的主要工作與創(chuàng)新總結如下:（1）早期的基于相關濾波的跟蹤算法一般采用手工設計的特征描述子來進行特征提取,對目標的特征表達能力有限,導致通過響應圖確定的目標位置不夠準確,尤其在遮擋和背景混雜等因素干擾下通常不能得到令人滿意的跟蹤效果。本文提出了基于顯著性區(qū)域加權的相關濾波目標跟蹤算法,采用改進的殘差網(wǎng)絡來提取多分辨率的特征,將視覺顯著性引入相關濾波來對響應圖進行顯著性加權,提高目標定位精度。在目標跟蹤評測數(shù)據(jù)集VOT（Visual Object Tracking）上進行評測... 

【文章來源】：中國科學院大學(中國科學院長春光學精密機械與物理研究所)吉林省

【文章頁數(shù)】：126 頁

【學位級別】：博士

【部分圖文】：

目標跟蹤中的的挑戰(zhàn)

Henriques等人[58]在CSK的基礎上擴展了多通道功能和核方法,提出核相關濾波器(Kernelized Correlation Filter,KCF)跟蹤算法,同時將相關濾波的求解轉化為嶺回歸問題。Danelljan等人[59]在顏色名(Color Names,CN)跟蹤算法中將原本RGB的3通道的圖像映射到11通道,如圖1.6所示,并對每個通道單獨進行處理再將結果進行融合。為了解決通道數(shù)過多影響運行速度,作者使用主成分分析(Principal Component Analysis,PCA)降維的方法從11個通道中選出2個主要通道進行上述處理。使用手工設計特征的高效卷積算子跟蹤算法(Efficient convolution operators for tracker with hand-crafted feature,ECO-HC)[60]采用方向梯度直方圖(Histogram of Oriented Gradient,HOG)[61]和顏色名(Color Name,CN)[59]特征進行融合取得了良好的效果。Bertinetto等人[62]提出模板與像素互補學習(Sum of Template and Pixel-wise Learners,Staple)跟蹤算法,如圖1.7所示,Staple采用HOG特征[61]和顏色直方圖來建立目標的外觀模型,這兩種特征具有一定的互補性,通過獨立求解他們的響應圖,最后對響應圖采用加權融合的方式獲得了較好的跟蹤效果。

Bertinetto等人[62]提出模板與像素互補學習(Sum of Template and Pixel-wise Learners,Staple)跟蹤算法,如圖1.7所示,Staple采用HOG特征[61]和顏色直方圖來建立目標的外觀模型,這兩種特征具有一定的互補性,通過獨立求解他們的響應圖,最后對響應圖采用加權融合的方式獲得了較好的跟蹤效果。深度學習在計算機視覺領域取得了前所未有的效果,近年來,深度學習也被引入到目標跟蹤領域,許多學者在相關濾波的跟蹤框架下,采用深度特征來改善跟蹤性能,這些將在下一節(jié)介紹。

【參考文獻】：
期刊論文
[1]空間態(tài)勢感知:開啟“上帝之眼”模式[J]. 張乃千.  軍事文摘. 2017(15)

博士論文
[1]復雜場景下魯棒的目標跟蹤算法研究[D]. 曾憲佑.北京交通大學 2019
[2]基于深度學習的目標跟蹤研究[D]. 盧憲凱.上海交通大學 2018
[3]基于稀疏表示的目標跟蹤技術研究[D]. 陳典兵.中國科學院長春光學精密機械與物理研究所 2017

碩士論文
[1]基于無人機機載電視成像的地面目標跟蹤[D]. 祝國浩.國防科學技術大學 2009



本文編號：3461398