計算機視覺跟蹤技術在智能交通、監(jiān)控、人機交互等領域有著廣泛的應用,隨著計算機性能的不斷提升,以及人工智能等技術的快速發(fā)展,視覺跟蹤技術也取得了長足的進步。然而現(xiàn)有的跟蹤算法在遇到復雜環(huán)境變化,以及目標自身表觀模型的改變時,存在高精度的跟蹤算法不易滿足實時性要求,快速的跟蹤算法的精度不高的問題。因此本文結合深度學習和相關濾波視覺跟蹤框架,以保證實時跟蹤為前提,盡可能提升跟蹤的精度為目標,從深度卷積特征選取、相關濾波模型訓練、目標位置預測、模型更新四個方面進行算法改進,提出了四種視覺跟蹤算法,其主要工作如下:(1)為減少深度卷積特征的冗余性,提高算法速度和精度,設計了一種自適應卷積特征選擇算法。該算法利用目標區(qū)域與搜索區(qū)域的特征均值比對卷積層和卷積通道進行評估,選擇有效卷積特征進行目標跟蹤。在OTB-100數(shù)據(jù)集上對該算法進行了測試,平均距離精度達86.4%,速度達29.9幀/秒,滿足實時跟蹤的要求。(2)為充分利用不同卷積層特征的優(yōu)勢,設計了一種自適應卷積特征切換跟蹤算法。該算法選用了跟蹤性能較好的兩層中高層卷積特征,使用自適應卷積特征選擇算法減少卷積通道數(shù),同時利用峰旁比選擇每一幀適合的單層卷積特征進行跟蹤,保證實時跟蹤的前提下提升了跟蹤的準確度。在OTB-100數(shù)據(jù)集上進行測試,跟蹤的平均距離精度達89.3%,平均速度為25.8幀/秒,提升了跟蹤精度,達到實時跟蹤的要求。(3)根據(jù)每個卷積通道的不同特性,提出了一種基于通道可靠性加權的精定位跟蹤算法。該算法先選取適合目標跟蹤的單層卷積特征,利用自適應卷積特征選擇算法選取有效卷積特征,減少特征的維度,提高跟蹤速度;然后為了避免卷積特征層數(shù)和通道數(shù)減少對跟蹤精度的影響,構造了通道加權相關濾波算法提高目標跟蹤精度,并利用峰旁比評估目標定位的可靠性,通過幀差均值最小化精定位算法抑制累積誤差,提升定位準確性。在OTB-100數(shù)據(jù)集上對算法進行測試,平均距離精度為91.3%,跟蹤速度達31.9幀/秒,進一步提高了跟蹤的精度和速度。(4)為了提升算法整體的魯棒性,提出了基于通道裁剪的連續(xù)卷積跟蹤算法。該算法選用裁剪的卷積模型提高卷積特征的計算速度,對選取的卷積特征進行通道裁剪,減少卷積特征的維度,同時融合梯度直方圖和顏色屬性特征,在連續(xù)卷積相關濾波框架下進行跟蹤,采用自適應迭代方法減少精定位迭代次數(shù),提升跟蹤的實時性。在OTB-2013、OTB-2015、VOT-2016和VOT-2017數(shù)據(jù)集上對提出的算法進行了測試,在OTB-100上的跟蹤精度達到了93.8%,進一步提升了跟蹤算法的精度和穩(wěn)定性。
【學位單位】：北方工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U495
【部分圖文】：

第二章自適應卷積特征選擇跟蹤算法??提取到的所有特征中只有卷積層和池化層輸出的可用于相關濾波跟蹤，因此可剪??去全連接層。如圖２－１所示即為目標圖像通過ＶＧＧ－１９模型［３７］提取出的ｐｏｏｌ４和??Ｃ〇ｉｗ５－３層的特征經(jīng)過余弦窗處理后的可視化圖，可以看出不同卷積層得到的卷??積特征所表達的信息不同，偏低層的Ｐ〇〇１４層特征包含目標更多的空間結構信息，??且分辨率較高，隨著網(wǎng)絡的深度增加，更深層的特征更加抽象，包含目標更多的??語義信息，在視覺跟蹤過程中目標的空間結構信息更有利于區(qū)別類內差異，目標??的語義信息更有利于區(qū)別目標類間的差異，目標的運動屬于隨機的、不確定的過??程，因此既需要區(qū)別目標類內的差異，也需要區(qū)別目標類間的差異。??圖２－１圖片在不同卷積層的特征信息表達??現(xiàn)有使用卷積特征的相關濾波跟蹤算法，為充分利用不同卷積層特征的優(yōu)??勢

第二章自適應卷積特征選擇跟蹤算法??提取到的所有特征中只有卷積層和池化層輸出的可用于相關濾波跟蹤，因此可剪??去全連接層。如圖２－１所示即為目標圖像通過ＶＧＧ－１９模型［３７］提取出的ｐｏｏｌ４和??Ｃ〇ｉｗ５－３層的特征經(jīng)過余弦窗處理后的可視化圖，可以看出不同卷積層得到的卷??積特征所表達的信息不同，偏低層的Ｐ〇〇１４層特征包含目標更多的空間結構信息，??且分辨率較高，隨著網(wǎng)絡的深度增加，更深層的特征更加抽象，包含目標更多的??語義信息，在視覺跟蹤過程中目標的空間結構信息更有利于區(qū)別類內差異，目標??的語義信息更有利于區(qū)別目標類間的差異，目標的運動屬于隨機的、不確定的過??程，因此既需要區(qū)別目標類內的差異，也需要區(qū)別目標類間的差異。??圖２－１圖片在不同卷積層的特征信息表達??現(xiàn)有使用卷積特征的相關濾波跟蹤算法，為充分利用不同卷積層特征的優(yōu)??勢

第二章自適應卷積特征選擇跟蹤算法??方式隨機舍棄部分神經(jīng)元，而神經(jīng)元與每個通道的特征有著緊密的聯(lián)系，因此會??出現(xiàn)圖２－３左側圖（該圖為ｐ〇〇１４層５１２個通道特征經(jīng)過余弦窗處理后的可視化??圖）中所示的部分空白特征，該類空白特征會影響跟蹤的實時性。??疆鼸圜關鬮鼷鼷｜ＳＵ關關鼸Ｐ顆關??Ｈ圜圜議園釀■靈圔圔罌■?ｇ＿圔圔鼷麵钃薩■鱺■圏國鼸麵圔??鼸圃ｉｉ■團鼸ａ匾驪＿畫０圔圔圔■■鱷圔圔〇圃＿齷鱷１圔??議ｓｉ誦園鬮＿１１鼸圜鼷圔鼷圔議鼴??Ｉ?ｉｌｌ?ｉｌｌ???隱鼷黷圔驪ＩＩＩ隱纖蹶＿—＿＿??圖２－３自適應卷積特征通道選擇前后對比圖??在構建相關濾波跟蹤模型時，目標特征的提取與選擇對目標跟蹤的準確性起??著至關重要的作用，當目標特征表征能力強，維度低時可提升相關濾波跟蹤算法??定位的準確性和高效性，當目標特征包含的冗余特征較多，維度過大時不僅會降??低定位的準確性，而且會影響分類器訓練的高效性。為了解決上述問題，提升卷??積特征的高效性，需要對卷積特征進行選擇。現(xiàn)有的常用的降維方式有主成分分??析［１７］?（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ，ＰＣＡ）和因式分解法【２７］，上述兩種方法可??有效的降低卷積特征的維度
【相似文獻】

相關期刊論文 前10條

1 ;中國學者在視覺跟蹤領域取得重要進展[J];模式識別與人工智能;2019年02期

2 孫巧;張勝修;扈曉翔;梅江元;;和聲搜索粒子濾波視覺跟蹤[J];哈爾濱工業(yè)大學學報;2018年04期

3 畢齊林;劉志軍;徐虎;唐振宇;唐惠玲;許智敏;;線結構光輔助式焊縫視覺跟蹤中圖像分割方法研究[J];科學家;2017年09期

4 王哲;;視覺跟蹤 用眼睛使用的“鼠標”[J];電腦愛好者;2007年07期

5 席文明,羅翔,朱劍英;基于約束卡爾曼濾波器預測的視覺跟蹤研究[J];南京航空航天大學學報;2002年06期

6 劉鐵根,蔡懷宇,張以謨,路登平,胡繩蓀,張鳳林;一種埋弧焊視覺跟蹤系統(tǒng)(英文)[J];光電工程;1999年06期

7 宋麗丹;;運動視覺跟蹤電子設備的改進設計[J];現(xiàn)代電子技術;2017年24期

8 萬欣;張春輝;張琳;周凡;;加權全局上下文感知相關濾波視覺跟蹤算法[J];計算機工程與應用;2018年16期

9 宋濤;李鷗;劉廣怡;崔弘亮;;基于改進協(xié)作目標外觀模型的在線視覺跟蹤[J];電子學報;2017年02期

10 王衛(wèi);金立左;;基于DSP+FPGA視覺跟蹤平臺的設計與實現(xiàn)[J];工業(yè)控制計算機;2015年03期

相關博士學位論文 前10條

1 胡丹;面向視覺跟蹤的深度學習模型設計與優(yōu)化研究[D];西北工業(yè)大學;2017年

2 黃達飛;高性能視覺跟蹤關鍵技術研究[D];國防科學技術大學;2017年

3 孫沖;基于結構化判別模型的視覺跟蹤算法研究[D];大連理工大學;2018年

4 王其聰;復雜觀測條件下的基于粒子濾波的視覺跟蹤[D];浙江大學;2007年

5 王法勝;復雜場景下的單目標視覺跟蹤算法研究[D];大連海事大學;2014年

6 王棟;基于線性表示模型的在線視覺跟蹤算法研究[D];大連理工大學;2013年

7 溫靜;基于張量子空間學習的視覺跟蹤方法研究[D];西安電子科技大學;2010年

8 袁慶曙;數(shù)字化互動陳展技術與系統(tǒng)研究[D];浙江大學;2009年

9 邱家濤;電子穩(wěn)像算法和視覺跟蹤算法研究[D];西安電子科技大學;2013年

10 王娟;復雜場景中的目標跟蹤優(yōu)化算法研究[D];燕山大學;2014年

相關碩士學位論文 前10條

1 車滿強;基于深度卷積特征的相關濾波視覺跟蹤算法研究[D];北方工業(yè)大學;2019年

2 梁欣妍;面向多模態(tài)視覺跟蹤的魯棒目標表示模型研究[D];安徽大學;2019年

3 林智聰;基于FPGA的無人機視覺跟蹤系統(tǒng)的研究[D];哈爾濱工業(yè)大學;2017年

4 賀章平;基于卷積神經(jīng)網(wǎng)絡的行人重識別與視覺跟蹤研究[D];西安電子科技大學;2017年

5 魯國智;基于嵌入式系統(tǒng)的視覺跟蹤算法研究[D];杭州電子科技大學;2018年

6 劉紅艷;基于Attention-LSTM模型的移動目標跟蹤技術研究[D];華北電力大學;2018年

7 解秀亮;天車機器人模型構建及吊鉤軌跡視覺跟蹤研究[D];華北理工大學;2018年

8 葉維揚;基于單目視覺的非合作目標視覺跟蹤定位技術研究[D];江蘇科技大學;2018年

9 戴藹佳;基于顯著性糾偏的深度回歸網(wǎng)絡視覺跟蹤算法[D];華中科技大學;2017年

10 董帥含;基于時空上下文學習的視覺跟蹤研究[D];遼寧工程技術大學;2018年

本文編號：2835501