目標跟蹤是計算機視覺的一個重要研究分支,然而在實際應(yīng)用的復(fù)雜環(huán)境下,存在著諸如遮擋、光照變化、背景干擾等情況。為了解決上述問題,本文對目標跟蹤中目標方位預(yù)測算法和孿生網(wǎng)絡(luò)目標跟蹤算法進行了研究和探索,并進行了改進和融合。本文主要研究工作和創(chuàng)新點如下:為了充分挖掘目標的運動信息并應(yīng)用于目標跟蹤算法中,本文提出了一種基于多漸消因子容積卡爾曼濾波的目標方位預(yù)測算法。首先針對目標運動隨機的問題,本文利用“當前”統(tǒng)計模型對目標的運動狀態(tài)建立非線性運動狀態(tài)方程。其次為提高算法對目標運動狀態(tài)突變的應(yīng)對能力,本文通過在容積卡爾曼濾波中引入多漸消因子來對目標運動狀態(tài)方程進行估計和更新。仿真結(jié)果證明,該方法可以有效地刻畫目標的運動狀態(tài),為后續(xù)跟蹤算法打下良好基礎(chǔ)。針對孿生網(wǎng)絡(luò)目標跟蹤算法在背景干擾和遮擋時容易跟蹤失敗的問題,本文提出了一種基于目標方位預(yù)測的LP-SiamRPN目標跟蹤算法。該方法在孿生候選區(qū)域生成網(wǎng)絡(luò)的基礎(chǔ)上引入目標方位預(yù)測算法對目標運動狀態(tài)進行預(yù)測。算法首先根據(jù)目標運動信息建立采樣區(qū)域,提高了搜索的精度和速度。其次,算法對偏離預(yù)測方位的高得分錨點框進行抑制,可以有效地消除相似目標的干擾。... 

【文章來源】：武漢科技大學湖北省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

目標跟蹤框架

武漢科技大學碩士學位論文92.2孿生候選區(qū)域生成網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)2.2.1孿生神經(jīng)網(wǎng)絡(luò)孿生網(wǎng)絡(luò)最開始的時候被用于衡量兩個輸入樣本之間的相似程度，它的兩個子網(wǎng)絡(luò)在結(jié)構(gòu)上完全相同并共享網(wǎng)絡(luò)權(quán)重。另外，若兩個子網(wǎng)絡(luò)不共享權(quán)重甚至為不同架構(gòu)的兩個網(wǎng)絡(luò)，互相分開，例如一個是長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)，另一個是卷積神經(jīng)網(wǎng)絡(luò)，則這樣的網(wǎng)絡(luò)結(jié)構(gòu)稱為偽孿生神經(jīng)網(wǎng)絡(luò)（Pseudo-SiameseNetwork）[45]。本文中的孿生網(wǎng)絡(luò)使用的是結(jié)構(gòu)上一致并共享權(quán)重的孿生網(wǎng)絡(luò)。孿生網(wǎng)絡(luò)的核心思想是把兩個輸入經(jīng)過映射函數(shù)映射到特征空間內(nèi)，然后在特征空間通過某種距離度量方法來比較兩個輸入的相似程度。如圖2.3所示為孿生網(wǎng)絡(luò)結(jié)構(gòu)圖，設(shè)兩個輸入分別為1X和2X，映射函數(shù)為卷積神經(jīng)網(wǎng)絡(luò)，用()WX表示，W表示網(wǎng)絡(luò)的權(quán)重。通過映射函數(shù)后，兩個輸入分別表示為1()WX和2()WX。最后經(jīng)過距離函數(shù)得到1()WX和2()WX在特征空間內(nèi)的距離（相似程度）WE。圖2.3孿生網(wǎng)絡(luò)結(jié)構(gòu)圖訓練孿生網(wǎng)絡(luò)時的輸入為12(X,X,Y)，其中1X，2X分別表示兩個子網(wǎng)絡(luò)的輸入，Y表示有監(jiān)督訓練的標簽。訓練孿生網(wǎng)絡(luò)常用的對比損失（ContrastiveLoss）函數(shù)如式（2-3）所示，該損失函數(shù)的目的是增大類間差異和減少類內(nèi)差異。122()()WWd=XX（2-1）

武漢科技大學碩士學位論文102211(1)max(,0)2NiLYdYmargindN==+（2-2）式（2-1）中d表示兩個樣本之間的歐氏距離，margin表示設(shè)定的閾值。當輸入1X，2X表示同一類別時，標簽Y=1，此時式變?yōu)?d；當輸入1X，2X為不同類別時，標簽Y=0，此時式變?yōu)閙ax(margind,0)2。2.2.2候選區(qū)域生成網(wǎng)絡(luò)傳統(tǒng)的用于區(qū)域生成的方法大多都是耗時的，例如基于手工特征和貪婪算法的selectivesearch處理一張圖片需要2秒鐘，嚴重限制了算法的實時性，并且其生成的區(qū)域?qū)罄m(xù)跟蹤來說不夠精確。為解決上述方法存在的時間復(fù)雜度高、檢測效率慢、定位不準確、信息不能共享問題，Ren等人在文獻[30]中提出用于生成較精確目標候選框的RPN，網(wǎng)絡(luò)的主要原理是枚舉不同尺度、不同比例的框和共享卷積。RPN由前景-背景分類器和邊界框回歸網(wǎng)絡(luò)組成，如圖2.4所示。RPN在特征圖上運用滑動窗口法，在每個位置上同時對k個錨點框（anchorbox）進行計算，計算前后景分數(shù)和坐標。將特征圖上33大小的特征輸入到一個小型神經(jīng)網(wǎng)絡(luò)中輸出更低維的256維特征，然后對該特征做非線性處理，再將結(jié)果分別輸入到回歸層和分類層這兩個全連接層中，其中回歸層負責回歸錨框的4k個坐標(x,y,w,h)，分類層負責預(yù)測錨框中2k個前后景分數(shù)。圖2.4RPN結(jié)構(gòu)圖

【參考文獻】：
期刊論文
[1]基于孿生網(wǎng)絡(luò)結(jié)構(gòu)的目標跟蹤算法綜述[J]. 陳云芳,吳懿,張偉.  計算機工程與應(yīng)用. 2020(06)
[2]視頻目標跟蹤技術(shù)綜述[J]. 李均利,尹寬,儲誠曦,汪鴻年.  燕山大學學報. 2019(03)
[3]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)
[4]武器精確制導目標跟蹤測量仿真研究[J]. 艾波,劉凱.  計算機仿真. 2016(12)
[5]一種基于SIFT特征光流的運動目標跟蹤算法[J]. 李艷萍,林建輝,楊寧學.  計算機科學. 2015(11)
[6]目標跟蹤技術(shù)綜述[J]. 高文,朱明,賀柏根,吳笑天.  中國光學. 2014(03)
[7]深度學習及其在目標和行為識別中的新進展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國圖象圖形學報. 2014(02)
[8]非線性系統(tǒng)帶次優(yōu)漸消因子的擴展卡爾曼濾波[J]. 周東華,席裕庚,張鐘俊.  控制與決策. 1990(05)

碩士論文
[1]基于YOLOv3和多目標跟蹤的智能交通視頻監(jiān)控系統(tǒng)[D]. 曾星宇.桂林電子科技大學 2019
[2]智能監(jiān)控中運動目標檢測與跟蹤算法研究[D]. 杜新輝.北京交通大學 2019
[3]面向知識圖譜的表示學習研究[D]. 栗永芳.桂林電子科技大學 2018
[4]人機交互系統(tǒng)中的目標跟蹤算法研究[D]. 陳凱.長安大學 2015



本文編號：3398065