在目標跟蹤（Object Tracking）過程中,被跟蹤目標始終處于運動狀態(tài),在動態(tài)場景（Dynamic Scene）下被跟蹤極易發(fā)生目標遮擋（Occlusion,OCC）、快速運動（Fast motion,FM）、運動模糊（Motion blur,MB）、尺度變化（Scale variation,SV）、變形（Deformation,DEF）、球內(nèi)旋轉(zhuǎn)（In-plane rotation,IPR）、球外旋轉(zhuǎn)（Out-of-plane rotation,OPR）、出視野（Out of view,OV）、場景復雜的光照變化（Illumination variation,IV）、低分辨率（Low resolution,LR）、背景雜亂（Background clutter,BC）等。在如此復雜的動態(tài)場景下,容易發(fā)生模型漂移,造成跟蹤失敗,嚴重者會造成永久性失跟。本文以目標跟蹤的相關濾波（Correlation Filters,CF）類算法為基礎對目標跟蹤中的模型更新（Model Update）和多特征融合（Features Fusion）進行深入的研究。本文提出了三種新穎的目標跟蹤算法,... 

【文章來源】：中北大學山西省

【文章頁數(shù)】：129 頁

【學位級別】：碩士

【部分圖文】：

目標跟蹤過程中的5種典型挑戰(zhàn)場景

中北大學學位論文5Comaniciu等[31]提出的均值漂移法（mean-shift），以及2002年Nummiaro等[32]提出的粒子濾波算法等。判別式目標跟蹤是從2011年Bolme等[10]提出的最小化輸出平方差和（MinimumOutputSumofSquaredError,MOSSE）算法開始發(fā)展而來，是目前目標跟蹤領域的主流建模思想。其基本思想為將目標與背景進行判別分離，關注被跟蹤目標的同時對跟蹤背景同樣進行關注，這樣極大地提高了跟蹤的準確度與魯棒性，并且大部分判別式目標跟蹤算法可以實現(xiàn)實時性跟蹤。判別式目標跟蹤方向目前已發(fā)展成為基于相關濾波的判別式目標跟蹤與基于深度學習的判別式目標跟蹤兩大分支。（1）基于相關濾波的判別式目標跟蹤基于相關濾波的判別式目標跟蹤從MOSSE算法被提出以來就獲得許多研究學者的關注，其基本原理如圖1-2所示。圖1-2相關濾波目標跟蹤基本原理圖Figure1-2BasicprinciplediagramofcorrelationfiltersobjecttrackingMOSSE算法是相關濾波目標跟蹤領域早期的一個基準算法，其創(chuàng)新性地使用了快速傅里葉變換（FastFourierTransform,FFT）在傅里葉域內(nèi)進行圖像相關性的計算，由此在跟蹤速度方面達到了669幀率（FramesPerSecond,FPS）。2011年Hare等[33]提出基于

中北大學學位論文10圖1-3SiamFC跟蹤器基本原理圖Figure1-3BasicprinciplediagramofSiamFCobjecttracking受SiamFC啟發(fā)，2018年Li等[54]提出了基于孿生區(qū)域提取網(wǎng)絡的高性能目標跟蹤（HighPerformanceVisualTrackingwithSiameseRegionProposalNetwork,SiamRPN），其包含孿生網(wǎng)絡部分與候選區(qū)域部分，即將分類與回歸同時進行，摒棄了傳統(tǒng)的多尺度檢測與在線微調(diào)，提高了跟蹤速度。它仍是將初始幀作為模板，使后續(xù)幀圖像與其進行匹配，在整個過程中不進行模型的更新。考慮到對圖像增加填充（padding）會造成識別混亂，因此SiamRPN使用網(wǎng)絡加厚代替padding，所以SiamRPN不能使用深度殘差網(wǎng)絡（Deepresidualnetwork,ResNet）等網(wǎng)絡。SiamRPN使用剔除了第二層（conv2）與第四層（conv4）的AlexNet網(wǎng)絡在ImageNet數(shù)據(jù)集與Youtube-BB3數(shù)據(jù)集進行端到端的離線訓練。2018年Zhu等[55]在SiamRPN基礎上提出了基于干擾物感知孿生網(wǎng)絡的目標跟蹤（Distractor-awareSiameseNetworksforVisualObjectTracking,DaSiamRPN）。它在SiamRPN基礎上增加了正負樣本種類，引入了同類與不同類樣本，消除了樣本的不均衡問題。并且它使用了ImageNet與COCO4兩個數(shù)據(jù)集進行預訓練。同年Li等[56]提出具有深度網(wǎng)絡的進化版孿生網(wǎng)絡SiamRPN++，其對正樣本進行了隨機偏移，由此消除了padding的影響，所以基礎網(wǎng)絡就由AlexNet換成了更加先進的RestNet網(wǎng)絡。為取得更高的準確度與更加精細化的目標識別跟蹤，2018年Wang等[57]提出了快速在線跟蹤與分割的統(tǒng)一方法SiamMask。它加入了在跟蹤網(wǎng)絡里加入了目標分割，并且使3https://research.google.com/youtube-bb/4http://cocodataset.org/

【參考文獻】：
期刊論文
[1]深度學習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.  中國圖象圖形學報. 2019(12)
[2]基于概率模型的自適應融合互補學習跟蹤算法[J]. 董秋杰,何雪東,葛海燕,周盛宗.  激光與光電子學進展. 2019(16)



本文編號：3347222