計算機視覺領(lǐng)域包含很多對視覺信息的研究內(nèi)容,目標跟蹤是其中一個熱門的研究技術(shù)。經(jīng)過國內(nèi)外計算機視覺研究學(xué)者幾十年的研究,目標跟蹤在我們?nèi)粘Ｉ钪幸呀?jīng)得到了普及并且應(yīng)用到了各行各業(yè)中,例如智能交通、人機交互、視頻監(jiān)控等。雖然目前已經(jīng)出現(xiàn)了諸多性能優(yōu)越的跟蹤算法,但是在無人機這種復(fù)雜場景下實現(xiàn)良好的跟蹤效果依舊存在較大困難。無人機場景下目標和無人機快速運動,容易出現(xiàn)目標遮擋嚴重、目標過小等問題,影響目標跟蹤的效果。同時無人機航拍數(shù)據(jù)集缺乏統(tǒng)一標注,數(shù)據(jù)集不完善等問題也是影響無人機場景下目標跟蹤的重要影響因素。本文就無人機場景下目標跟蹤遇到的挑戰(zhàn),對目標跟蹤算法進行更深入的研究。目標跟蹤算法還沒有使用深度學(xué)習(xí)的相關(guān)技術(shù)之前,相關(guān)濾波方法在目標跟蹤性能上取得了一定優(yōu)的勢。在SiamFc出現(xiàn)后,涌現(xiàn)出了一大批基于孿生網(wǎng)絡(luò)的優(yōu)秀目標跟蹤方法,但這些算法被直接應(yīng)用到無人機場景下的目標跟蹤時跟蹤效果會受到影響。本文考慮到無人機航拍相關(guān)數(shù)據(jù)集不完善且數(shù)據(jù)集缺少、標注不統(tǒng)一等情況,提出了使用無監(jiān)督學(xué)習(xí)的方法訓(xùn)練無人機目標跟蹤模型。同時考慮到無人機自身計算能力等系統(tǒng)限制情況,網(wǎng)絡(luò)模型采用了輕量級網(wǎng)絡(luò),采用前... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

形變Figure1-2Deformation

1緒論3形變（Deformation）也是我們進行目標跟蹤可能遇到的困難情況，如圖1-2所。如果我們跟蹤的目標外觀在時刻改變，那么極有可能出現(xiàn)跟蹤漂移的現(xiàn)象，也就是無法完全跟蹤到目標，出現(xiàn)了一定的偏離。一般情況下，跟蹤算法解決出現(xiàn)的漂移問題主要是使用模型更新的方法。也就是說，不斷地更新目標的外觀模型來適應(yīng)目標外觀的變化。模型更新通常需要考慮的關(guān)鍵問題是更新的時機以及模型更新的頻率大校圖1-3背景雜斑Figure1-3BackgroundClutter背景雜斑（BackgroundClutter）也就是說目標附近出現(xiàn)了相似背景的目標，也可能是出現(xiàn)了外觀相似的目標，如圖1-3所示。一般情況下跟蹤算法應(yīng)對背景雜斑的方法有兩種，一種是可以擴充樣本數(shù)量，通過大量的迭代訓(xùn)練提升算法的分類性能，這樣可以增強算法對目標和其他干擾信息的分辨能力。還有一種方法是記錄目標的運動信息，利用算法預(yù)測跟蹤目標的行為軌跡，進而防止出現(xiàn)跟蹤了錯誤目標的情況。圖1-4尺度變換Figure1-4ScaleVariation尺度變換（ScaleVariation）是目標跟蹤中常見的目標運動改變大小的現(xiàn)象，它是由于目標運動導(dǎo)致跟攝像頭的距離發(fā)生了改變，如圖1-4所示。結(jié)果就是目標在視頻中出現(xiàn)了尺度大小的改變。目前，跟蹤算法處理目標尺度變換有兩種方法，一種是當算法生成候選樣本的時候，生成多個大小不同的候選框，這樣不管目標尺度改變的有多大，總有一個尺度合適的候選框?qū)?yīng)。還有一種方法是跟蹤算法使用多個尺度的目標，這樣就可以選擇出適合候選框大小的目標尺度。除了上述目標跟蹤面臨的挑戰(zhàn)因素以外，一般情況下還存在一些其他干擾跟蹤的因素，比如說：旋轉(zhuǎn)（rotation）、運動模糊（motionblur）、超出視野（outof

1緒論3形變（Deformation）也是我們進行目標跟蹤可能遇到的困難情況，如圖1-2所。如果我們跟蹤的目標外觀在時刻改變，那么極有可能出現(xiàn)跟蹤漂移的現(xiàn)象，也就是無法完全跟蹤到目標，出現(xiàn)了一定的偏離。一般情況下，跟蹤算法解決出現(xiàn)的漂移問題主要是使用模型更新的方法。也就是說，不斷地更新目標的外觀模型來適應(yīng)目標外觀的變化。模型更新通常需要考慮的關(guān)鍵問題是更新的時機以及模型更新的頻率大校圖1-3背景雜斑Figure1-3BackgroundClutter背景雜斑（BackgroundClutter）也就是說目標附近出現(xiàn)了相似背景的目標，也可能是出現(xiàn)了外觀相似的目標，如圖1-3所示。一般情況下跟蹤算法應(yīng)對背景雜斑的方法有兩種，一種是可以擴充樣本數(shù)量，通過大量的迭代訓(xùn)練提升算法的分類性能，這樣可以增強算法對目標和其他干擾信息的分辨能力。還有一種方法是記錄目標的運動信息，利用算法預(yù)測跟蹤目標的行為軌跡，進而防止出現(xiàn)跟蹤了錯誤目標的情況。圖1-4尺度變換Figure1-4ScaleVariation尺度變換（ScaleVariation）是目標跟蹤中常見的目標運動改變大小的現(xiàn)象，它是由于目標運動導(dǎo)致跟攝像頭的距離發(fā)生了改變，如圖1-4所示。結(jié)果就是目標在視頻中出現(xiàn)了尺度大小的改變。目前，跟蹤算法處理目標尺度變換有兩種方法，一種是當算法生成候選樣本的時候，生成多個大小不同的候選框，這樣不管目標尺度改變的有多大，總有一個尺度合適的候選框?qū)?yīng)。還有一種方法是跟蹤算法使用多個尺度的目標，這樣就可以選擇出適合候選框大小的目標尺度。除了上述目標跟蹤面臨的挑戰(zhàn)因素以外，一般情況下還存在一些其他干擾跟蹤的因素，比如說：旋轉(zhuǎn)（rotation）、運動模糊（motionblur）、超出視野（outof

【參考文獻】：
期刊論文
[1]深度學(xué)習(xí)的目標跟蹤算法綜述[J]. 李璽,查宇飛,張?zhí)熘?崔振,左旺孟,侯志強,盧湖川,王菡子.  中國圖象圖形學(xué)報. 2019(12)
[2]基于自適應(yīng)Siamese網(wǎng)絡(luò)的無人機目標跟蹤算法[J]. 劉芳,楊安喆,吳志威.  航空學(xué)報. 2020(01)
[3]無人機目標跟蹤綜述[J]. 徐懷宇,黃偉,董明超,吳金明.  網(wǎng)絡(luò)新媒體技術(shù). 2019(05)
[4]抗遮擋的雞群優(yōu)化粒子濾波目標跟蹤方法[J]. 曹潔,王振瑩,李偉.  微電子學(xué)與計算機. 2019(06)
[5]目標跟蹤算法綜述[J]. 孟琭,楊旭.  自動化學(xué)報. 2019(07)
[6]視覺目標跟蹤方法研究綜述[J]. 葛寶義,左憲章,胡永江.  中國圖象圖形學(xué)報. 2018(08)
[7]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)



本文編號：3306533