【摘要】：通用視覺目標跟蹤是計算機視覺中的一個非常重要而且活躍的研究領(lǐng)域,并在視頻監(jiān)控,人機交互和自動駕駛等場景中有著廣泛的應(yīng)用。一直以來,國內(nèi)外的研究人員針對目標跟蹤問題提出了大量的解決方法,其中基于相關(guān)濾波的方法以高效的運行效率著稱,并在近年來受到越來越多的關(guān)注。當前絕大部分的研究工作通過改進相關(guān)濾波算法獲得了準確率性能的提升,但是卻極大地降低了算法運行效率。本文深入剖析并揭示了相關(guān)濾波跟蹤算法存在的不足,并提出結(jié)合卷積神經(jīng)網(wǎng)絡(luò)來有效解決這些問題,最終實現(xiàn)又好又快的目標跟蹤算法。本文實現(xiàn)了兩種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)濾波跟蹤算法,主要工作包括:第一,結(jié)合孿生網(wǎng)絡(luò)的相關(guān)濾波跟蹤算法。首先,在相關(guān)濾波算法中,濾波器需要進行在線更新來適應(yīng)視頻中目標外觀的動態(tài)變化。目前絕大多數(shù)算法直接將每一幀的跟蹤結(jié)果用于濾波器更新,因此當目標受到嚴重遮擋的時候,更新后的濾波器會對背景過擬合。針對這個問題,本文通過使用孿生網(wǎng)絡(luò)對跟蹤結(jié)果進行評價,實現(xiàn)了一個魯棒的濾波器自適應(yīng)更新策略。然后,經(jīng)典的相關(guān)濾波算法雖然有著高效的運行效率,但是卻因受到邊緣效應(yīng)的影響,只能在有限的搜索區(qū)域內(nèi)進行目標的檢測。另外由于手工特征的使用,這些算法在遇到目標快速運動和相似背景干擾的時候,常常會出現(xiàn)跟蹤失敗。針對這些不足,本文提出了一個多峰檢測策略。這個策略通過自適應(yīng)地產(chǎn)生候選目標并用孿生網(wǎng)絡(luò)進行驗證,可以有效減少由于搜索區(qū)域小和特征表達能力弱而導(dǎo)致的跟蹤失敗問題。最后,本文提出在目標跟蹤過程中在線構(gòu)建一個模板庫。相比于只用一個固定的模板,多樣化的模板庫可以使得孿生網(wǎng)絡(luò)擁有更加準確的分辨能力。第二,背景感知的相關(guān)濾波網(wǎng)絡(luò)。相關(guān)濾波跟蹤框架主要包含特征表達和濾波器學(xué)習(xí)兩部分。而在特征表達方面,手工特征或者其他任務(wù)中訓(xùn)練好的卷積特征被絕大多數(shù)的相關(guān)濾波算法所使用。本文考慮將特征表達和濾波器進行聯(lián)合學(xué)習(xí),目的是為濾波器學(xué)習(xí)到具有針對性的特征表達。具體來說,我們構(gòu)建一個卷積神經(jīng)網(wǎng)絡(luò),并將濾波器解釋成網(wǎng)絡(luò)中的一個具有可微分性質(zhì)的層,稱為相關(guān)濾波層,然后就可以通過反向傳播對網(wǎng)絡(luò)進行端到端訓(xùn)練,學(xué)習(xí)到針對濾波器的卷積特征表達。相比于使用經(jīng)典的濾波器作為相關(guān)濾波層,本文提出使用更高級的濾波器,最后得到一個背景感知的相關(guān)濾波網(wǎng)絡(luò)用于實現(xiàn)目標跟蹤。在權(quán)威數(shù)據(jù)集OTB-13和OTB-15上的大量對比實驗結(jié)果表明,本文提出的兩種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)濾波跟蹤算法均實現(xiàn)了優(yōu)越的跟蹤準確率性能,并保持了遠超實時的跟蹤速度。在OTB-15上,結(jié)合孿生網(wǎng)絡(luò)的相關(guān)濾波跟蹤算法取得了61.3%的AUC分數(shù),相比于基準跟蹤算法獲得了12.3%的相對提升;背景感知的相關(guān)濾波網(wǎng)絡(luò)取得了62.6%的AUC分數(shù),相比于基準跟蹤算法獲得了11.0%的相對提升。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP183;TN713
【圖文】：

單目標跟蹤示例

目標跟蹤面臨的挑戰(zhàn)示例

正負樣本示例

【相似文獻】

相關(guān)期刊論文 前10條

1 張紅穎;王匯三;胡文博;;基于雙模型的相關(guān)濾波跟蹤[J];光學(xué)精密工程;2019年11期

2 王丹玲;魯永泉;賈笑捷;張勤;;實時粒子濾波跟蹤算法及其實現(xiàn)[J];系統(tǒng)仿真學(xué)報;2009年18期

3 王譯萱;吳小俊;;基于深度特征與局部約束掩膜的相關(guān)濾波跟蹤算法[J];數(shù)據(jù)采集與處理;2019年05期

4 柏柯嘉;;一種改進的粒子濾波跟蹤算法[J];計算機工程;2010年18期

5 吳奪明;蔣蓁;魏衍俠;;基于視覺顯著性的灰色粒子濾波跟蹤方法[J];計量與測試技術(shù);2017年02期

6 倫云飛;陳書楊;;基于多特征的粒子濾波跟蹤算法[J];計算機光盤軟件與應(yīng)用;2013年14期

7 陳善靜;楊華;曾凱;張紅;王一程;;基于遺傳算法的粒子濾波跟蹤算法[J];光電工程;2010年10期

8 張博;江沸菠;劉剛;劉紅平;;快速尺度支持相關(guān)濾波跟蹤[J];液晶與顯示;2019年06期

9 何希平;張瓊?cè)A;;綜合顏色與梯度方向特征的粒子濾波跟蹤[J];計算機科學(xué);2012年S1期

10 馬加慶;韓崇昭;;一類基于信息融合的粒子濾波跟蹤算法[J];光電工程;2007年04期

相關(guān)會議論文 前7條

1 高丙坤;李文超;王帥;;一種改進的粒子濾波跟蹤算法[A];第二十九屆中國控制會議論文集[C];2010年

2 吳川;;基于DSP平臺的粒子濾波跟蹤算法的實現(xiàn)[A];第八屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2010年

3 修春波;何慧堯;;基于顯著性直方圖的粒子濾波跟蹤[A];2015光學(xué)精密工程論壇論文集[C];2015年

4 金挺;周付根;白相志;;一種簡單有效的特征融合粒子濾波跟蹤算法[A];2007年光電探測與制導(dǎo)技術(shù)的發(fā)展與應(yīng)用研討會論文集[C];2007年

5 劉元元;劉華平;高蒙;孫富春;孟麗霞;;GPU加速的在線K均值聚類粒子濾波跟蹤算法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

6 雷振達;馬春草;;粒子濾波跟蹤算法研究[A];2014第二屆中國指揮控制大會論文集（上）[C];2014年

7 孫偉平;馮慶;向金海;余勝生;;基于局部模型的視頻目標跟蹤[A];第八屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2012)論文集NCMT[C];2012年

相關(guān)博士學(xué)位論文 前6條

1 朱明清;基于粒子濾波的魯棒視覺目標跟蹤算法研究[D];中國科學(xué)技術(shù)大學(xué);2011年

2 鄒騰躍;復(fù)雜環(huán)境目標檢測與跟蹤關(guān)鍵技術(shù)研究及應(yīng)用[D];華中科技大學(xué);2013年

3 曹蓓;粒子濾波改進算法及其應(yīng)用研究[D];中國科學(xué)院研究生院(西安光學(xué)精密機械研究所);2012年

4 代江華;粒子濾波架構(gòu)下視覺目標跟蹤相關(guān)技術(shù)研究[D];華中科技大學(xué);2014年

5 徐治非;視頻監(jiān)控中運動目標檢測與跟蹤方法研究[D];上海交通大學(xué);2009年

6 相入喜;復(fù)雜環(huán)境下的目標跟蹤算法研究[D];重慶大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 潘耿政;結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)濾波跟蹤算法研究[D];華南理工大學(xué);2019年

2 陳國春;背景感知的相關(guān)濾波跟蹤算法研究[D];華南理工大學(xué);2019年

3 丁傳勇;基于高斯先驗及彈性網(wǎng)約束的多模板相關(guān)濾波跟蹤算法研究[D];安徽大學(xué);2019年

4 吳昭童;基于相關(guān)濾波的目標穩(wěn)定跟蹤技術(shù)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所);2019年

5 望少建;基于相關(guān)濾波的視覺目標跟蹤[D];西安電子科技大學(xué);2018年

6 鄧雨;基于深度特征的相關(guān)濾波跟蹤研究[D];中南民族大學(xué);2018年

7 李明郎君;結(jié)合深度圖像表示的相關(guān)濾波跟蹤方法研究[D];西安電子科技大學(xué);2018年

8 馬曉楠;電視導(dǎo)引頭相關(guān)濾波跟蹤算法研究[D];南京理工大學(xué);2017年

9 倪杰;基于核相關(guān)濾波跟蹤算法的研究與實現(xiàn)[D];電子科技大學(xué);2017年

10 施睿;融合上下文信息的相關(guān)濾波跟蹤算法研究[D];華南理工大學(xué);2017年

本文編號：2770389