目標跟蹤是計算機視覺重要的研究方向之一,在航天、監(jiān)控、生物醫(yī)學等多種領(lǐng)域有著廣泛應(yīng)用。目標跟蹤任務(wù)旨在實現(xiàn)對含有光照變化、遮擋等挑戰(zhàn)的視頻中指定目標進行持續(xù)地定位和自適應(yīng)標注形狀。本文通過分析目標跟蹤算法的研究現(xiàn)狀,針對如何提升粒子濾波跟蹤算法的精確度和如何對算法進行加速兩個問題展開了深入研究。粒子濾波跟蹤算法的實質(zhì)是利用跟蹤器對每個采樣粒子依次進行前景或背景的判斷,因此跟蹤器的判決能力是決定算法跟蹤性能的重要因素。本文提出了基于深度互學習的跟蹤算法,可以提高粒子濾波跟蹤器對目標特征的提取能力和判別能力。首先,采用注意力機制來對采樣粒子進行約束,通過在特征圖后添加注意力機制層,對干擾特征進行抑制,從而提升跟蹤器對目標特征的提取能力,解決跟蹤器在特征提取時過多關(guān)注背景和相似物體等干擾特征而忽略目標本身特征的問題。其次,采用深度互學習方法來提升跟蹤器的泛化能力,通過在兩個初始化參數(shù)不同的網(wǎng)絡(luò)中引入Kullback-Leibler（KL）損失來改變網(wǎng)絡(luò)的概率輸出分布,將兩個網(wǎng)絡(luò)聯(lián)合訓練提升網(wǎng)絡(luò)的泛化能力,同時利用兩個網(wǎng)絡(luò)學得的判別信息不同進行互補,提升網(wǎng)絡(luò)對目標特征的判別能力。以上兩種方法共... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究意義及背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 目標跟蹤的挑戰(zhàn)
    1.4 本文工作與結(jié)構(gòu)
        1.4.1 本文工作
        1.4.2 論文結(jié)構(gòu)
2 相關(guān)理論及算法
    2.1 深度卷積神經(jīng)網(wǎng)絡(luò)概述
        2.1.1 卷積網(wǎng)絡(luò)歷史背景
        2.1.2 卷積網(wǎng)絡(luò)架構(gòu)與特點
    2.2 粒子濾波卷積目標跟蹤算法
    2.3 本章小結(jié)
3 基于深度互學習的粒子濾波跟蹤算法
    3.1 粒子濾波卷積神經(jīng)網(wǎng)絡(luò)跟蹤器
    3.2 訓練粒子濾波跟蹤器
        3.2.1 注意力機制
        3.2.2 深度互學習訓練
    3.3 在線目標跟蹤
    3.4 在線模型更新
    3.5 本章小結(jié)
4 基于感興趣區(qū)域?qū)R采樣的粒子濾波跟蹤算法
    4.1 感興趣區(qū)域?qū)R采樣
    4.2 逐層知識蒸餾指導(dǎo)網(wǎng)絡(luò)
    4.3 在線目標跟蹤與模型更新
    4.4 本章小結(jié)
5 實驗分析
    5.1 評測數(shù)據(jù)庫介紹
    5.2 實驗參數(shù)說明
    5.3 在OTB數(shù)據(jù)庫上的實驗評估
        5.3.1 數(shù)據(jù)集和評估手段
        5.3.2 定量評估
        5.3.3 對比實驗
        5.3.4 定性分析
    5.4 在VOT數(shù)據(jù)集上的實驗評估
    5.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間發(fā)表學術(shù)論文情況
致謝


【參考文獻】：
期刊論文
[1]基于改進粒子濾波的稀疏子空間單目標跟蹤算法[J]. 宮海洋,任紅格,史濤,李福進.  現(xiàn)代電子技術(shù). 2018(13)



本文編號：3456701