近年來,視覺目標(biāo)跟蹤作為計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)重要研究方向,已成為目前研究的熱點(diǎn)之一。目標(biāo)跟蹤技術(shù)雖然隨著深度學(xué)習(xí)的發(fā)展和計(jì)算機(jī)性能的提升已取得較大的進(jìn)展,但是仍然面臨諸多難題,運(yùn)動(dòng)目標(biāo)發(fā)生尺度變化、形變,運(yùn)動(dòng)目標(biāo)周邊存在復(fù)雜背景、相似目標(biāo)、光照變化等會(huì)導(dǎo)致追蹤器產(chǎn)生漂移從而跟蹤失敗,故解決跟蹤難題提高追蹤器的準(zhǔn)確性是研究者一直以來致力的方向。在閱讀大量國(guó)內(nèi)文獻(xiàn)的基礎(chǔ)上,本文首先對(duì)視覺目標(biāo)跟蹤的研究背景、意義以及國(guó)內(nèi)外現(xiàn)狀進(jìn)行了介紹;其次,簡(jiǎn)述了相關(guān)濾波器、深度追蹤器、注意力機(jī)制的相關(guān)知識(shí)。結(jié)合濾波器、深度孿生網(wǎng)絡(luò)的優(yōu)勢(shì)以及注意力機(jī)制的優(yōu)越性,本文在深度孿生網(wǎng)絡(luò)的基礎(chǔ)上提出了基于目標(biāo)似然矩陣的濾波器的目標(biāo)跟蹤模型、基于通道空間注意力串行模塊的目標(biāo)跟蹤模型,并且為證明所提方法的可靠性,設(shè)計(jì)實(shí)現(xiàn)了基于目標(biāo)似然矩陣和注意力模塊的深度視覺目標(biāo)追蹤原型系統(tǒng)。本文的主要研究工作如下:1)提出了基于目標(biāo)似然矩陣的濾波器的視覺目標(biāo)跟蹤模型。基于深度孿生網(wǎng)絡(luò)的視覺目標(biāo)跟蹤模型簡(jiǎn)單且能兼顧精度和速度,但是該模型由于不更新跟蹤模板導(dǎo)致不能很好的處理形變、背景雜亂等視覺目標(biāo)跟蹤難題,而濾波器可實(shí)現(xiàn)快速計(jì)算,通... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

循環(huán)位移產(chǎn)生的樣本

基于目標(biāo)似然矩陣和注意力模型的目標(biāo)追蹤方法研究12的視覺跟蹤算法是SiamFC。本文工作涉及到的全卷積孿生網(wǎng)絡(luò)框架如圖2.2�；谌矸e深度孿生網(wǎng)絡(luò)的中心思想把兩個(gè)樣本通過神經(jīng)網(wǎng)絡(luò)映射到新的空間并用向量對(duì)兩個(gè)樣本進(jìn)行表示，選擇適當(dāng)?shù)膌oss函數(shù)，計(jì)算兩個(gè)樣本的相似度。假設(shè)輸入樣本1x和2x，通過神經(jīng)網(wǎng)絡(luò)的映射函數(shù)f(x)得到向量1f(x)和2f(x)。兩個(gè)向量間的距離就可以用來表示兩個(gè)樣本間的相似度，設(shè)置loss函數(shù)計(jì)算兩個(gè)向量間的距離，這時(shí)可以選擇余弦函數(shù)、歐式距離或者指數(shù)函數(shù)等。通過loss訓(xùn)練網(wǎng)絡(luò)使相似樣本間的距離越小，不同樣本間的距離越大，學(xué)習(xí)得到的權(quán)重w為兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)子網(wǎng)共享。最后網(wǎng)絡(luò)模型輸出兩個(gè)樣本的相似度E。圖2.2孿生網(wǎng)絡(luò)的結(jié)構(gòu)框架圖近年來，孿生網(wǎng)絡(luò)因其架構(gòu)簡(jiǎn)單及表現(xiàn)出色而受到了普遍的歡迎，許多工作都是基于孿生網(wǎng)絡(luò)進(jìn)行改進(jìn)以期同時(shí)提高精度和速度。SINT[32]算法將視覺跟蹤任務(wù)看成是一個(gè)檢驗(yàn)工作，檢驗(yàn)后續(xù)視頻幀與起始幀間的相似性，同時(shí)該算法采用光流提升追蹤器的性能；EAST[33]算法對(duì)底層特征進(jìn)行判斷，若能實(shí)現(xiàn)追蹤就無(wú)需提取目標(biāo)的深度特征；DSiam[34]算法通過在線學(xué)習(xí)待跟蹤目標(biāo)的外觀變化從而提升網(wǎng)絡(luò)提取的特征的表征能力�？偟膩碚f，深度孿生網(wǎng)絡(luò)的改進(jìn)可分為兩種代表性的方法：一、對(duì)孿生網(wǎng)絡(luò)的子網(wǎng)分支進(jìn)行修改。如RASNet[35]算法對(duì)孿生網(wǎng)絡(luò)的目標(biāo)模板分支進(jìn)行修改，將模板特征圖通過generalattention、channel

基于目標(biāo)似然矩陣和注意力模型的目標(biāo)追蹤方法研究14神經(jīng)網(wǎng)絡(luò)的本質(zhì)是將一個(gè)輸入X通過映射函數(shù)輸出Y，函數(shù)的系數(shù)就是不斷訓(xùn)練網(wǎng)絡(luò)模型得到的參數(shù)。一旦確定函數(shù)的系數(shù)，對(duì)于給定的輸入x就可以得到對(duì)應(yīng)的輸出y。在深度學(xué)習(xí)任務(wù)中，給定的訓(xùn)練集通常包含輸入X和輸出Y，為了使網(wǎng)絡(luò)模型的真實(shí)輸出Y盡可能接近給定訓(xùn)練集的輸出Y，需要不斷調(diào)整網(wǎng)絡(luò)模型參數(shù)。整個(gè)過程將涉及到前向傳播和反向傳播（BP）[38]。在介紹BP算法前，需要了解前向傳播即輸入X如何得到輸出Y。如圖2.3所示，圖中只顯示了網(wǎng)絡(luò)的三層結(jié)構(gòu)，通過第一次的權(quán)重W(1)和偏置b(1)可以計(jì)算出第二層的激活值(2)a，通過第二層可以計(jì)算第三層的激活值(3)a，同理，我們將其拓展，給定l層的激活值，則第l+1層的激活值如式（2.6）所示。(1)(1)()()()()()()()()(())llllllllafzfWabfWfzb++==+=+（2.6）圖2.3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖BP算法的核心思想是設(shè)計(jì)一個(gè)基于網(wǎng)絡(luò)參數(shù)的代價(jià)函數(shù)，對(duì)各層的權(quán)重W和偏置b求偏導(dǎo)表達(dá)式，表達(dá)式可表示代價(jià)函數(shù)隨網(wǎng)絡(luò)模型參數(shù)變化的程度。若代價(jià)函數(shù)與預(yù)期值相差較大，則需要大幅度調(diào)整權(quán)重W和偏置b，目的是要不斷更新代價(jià)函數(shù)使其盡可能接近預(yù)期值，重復(fù)以上過程直至代價(jià)函數(shù)值在允許的誤差內(nèi)才停止算法。對(duì)于一個(gè)包含m個(gè)樣本的訓(xùn)練集，設(shè)計(jì)其整體的代價(jià)函數(shù)J(W,b)如式（2.7）所示。112()()()2,111111(,)()()22lllmnssiilWbjiilijJWbhxyWm+=====+（2.7）其中，第一項(xiàng)為均方差項(xiàng)，第二項(xiàng)為正則項(xiàng)，防止網(wǎng)絡(luò)模型過擬合。為使代價(jià)函2.3神經(jīng)網(wǎng)絡(luò)中BP算法


本文編號(hào)：2983879