發(fā)布時(shí)間：2021-07-27 21:00

　　計(jì)算機(jī)視覺領(lǐng)域包含很多對視覺信息的研究內(nèi)容,目標(biāo)跟蹤是其中一個熱門的研究技術(shù)。經(jīng)過國內(nèi)外計(jì)算機(jī)視覺研究學(xué)者幾十年的研究,目標(biāo)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(jī)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(jī)這種復(fù)雜場景下實(shí)現(xiàn)良好的跟蹤效果依舊存在較大困難。無人機(jī)場景下目標(biāo)和無人機(jī)快速運(yùn)動,容易出現(xiàn)目標(biāo)遮擋嚴(yán)重、目標(biāo)過小等問題,影響目標(biāo)跟蹤的效果。同時(shí)無人機(jī)航拍數(shù)據(jù)集缺乏統(tǒng)一標(biāo)注,數(shù)據(jù)集不完善等問題也是影響無人機(jī)場景下目標(biāo)跟蹤的重要影響因素。本文就無人機(jī)場景下目標(biāo)跟蹤遇到的挑戰(zhàn),對目標(biāo)跟蹤算法進(jìn)行更深入的研究。目標(biāo)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(biāo)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(biāo)跟蹤方法,但這些算法被直接應(yīng)用到無人機(jī)場景下的目標(biāo)跟蹤時(shí)跟蹤效果會受到影響。本文考慮到無人機(jī)航拍相關(guān)數(shù)據(jù)集不完善且數(shù)據(jù)集缺少、標(biāo)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(jī)目標(biāo)跟蹤模型。同時(shí)考慮到無人機(jī)自身計(jì)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(jìn)行目標(biāo)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(biāo)外觀在時(shí)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(biāo)，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(biāo)的外觀模型來適應(yīng)目標(biāo)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(shí)機(jī)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(biāo)附近出現(xiàn)了相似背景的目標(biāo)，也可能是出現(xiàn)了外觀相似的目標(biāo)，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(kuò)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(qiáng)算法對目標(biāo)和其他干擾信息的分辨能力。還有一種方法是記錄目標(biāo)的運(yùn)動信息，利用算法預(yù)測跟蹤目標(biāo)的行為軌跡，進(jìn)而防止出現(xiàn)跟蹤了錯誤目標(biāo)的情況。圖1-4尺度變換Figure1-4ScaleVariation尺度變換（ScaleVariation）是目標(biāo)跟蹤中常見的目標(biāo)運(yùn)動改變大小的現(xiàn)象，它是由于目標(biāo)運(yùn)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(biāo)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(biāo)尺度變換有兩種方法，一種是當(dāng)算法生成候選樣本的時(shí)候，生成多個大小不同的候選框，這樣不管目標(biāo)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(biāo)，這樣就可以選擇出適合候選框大小的目標(biāo)尺度。除了上述目標(biāo)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(yùn)動模糊（motionblur）、超出視野（outof

1緒論3形變（Deformation）也是我們進(jìn)行目標(biāo)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(biāo)外觀在時(shí)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(biāo)，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(biāo)的外觀模型來適應(yīng)目標(biāo)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(shí)機(jī)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(biāo)附近出現(xiàn)了相似背景的目標(biāo)，也可能是出現(xiàn)了外觀相似的目標(biāo)，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(kuò)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(qiáng)算法對目標(biāo)和其他干擾信息的分辨能力。還有一種方法是記錄目標(biāo)的運(yùn)動信息，利用算法預(yù)測跟蹤目標(biāo)的行為軌跡，進(jìn)而防止出現(xiàn)跟蹤了錯誤目標(biāo)的情況。圖1-4尺度變換Figure1-4ScaleVariation尺度變換（ScaleVariation）是目標(biāo)跟蹤中常見的目標(biāo)運(yùn)動改變大小的現(xiàn)象，它是由于目標(biāo)運(yùn)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(biāo)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(biāo)尺度變換有兩種方法，一種是當(dāng)算法生成候選樣本的時(shí)候，生成多個大小不同的候選框，這樣不管目標(biāo)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(biāo)，這樣就可以選擇出適合候選框大小的目標(biāo)尺度。除了上述目標(biāo)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(yùn)動模糊（motionblur）、超出視野（outof

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)的目標(biāo)跟蹤算法綜述[J]. 李璽,查宇飛,張?zhí)熘?崔振,左旺孟,侯志強(qiáng),盧湖川,王菡子.  中國圖象圖形學(xué)報(bào). 2019(12)
[2]基于自適應(yīng)Siamese網(wǎng)絡(luò)的無人機(jī)目標(biāo)跟蹤算法[J]. 劉芳,楊安喆,吳志威.  航空學(xué)報(bào). 2020(01)
[3]無人機(jī)目標(biāo)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(biāo)跟蹤方法[J]. 曹潔,王振瑩,李偉.  微電子學(xué)與計(jì)算機(jī). 2019(06)
[5]目標(biāo)跟蹤算法綜述[J]. 孟琭,楊旭.  自動化學(xué)報(bào). 2019(07)
[6]視覺目標(biāo)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(bào). 2018(08)
[7]目標(biāo)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