目標跟蹤是計算機視覺領域的重要研究方向。因為目標跟蹤技術在多個領域都具有舉要重要應用價值,所以目標跟蹤是目前計算機視覺研究的熱點。本文通過近幾年的目標跟蹤方法進行分析研究,得出兩個重點研究思路:第一、新的目標跟蹤算法普遍將研究重點應該放在如何通過卷積神經(jīng)網(wǎng)絡提取目標的魯棒性特征上,重點在于加強網(wǎng)絡每層特征映射的利用。第二、新的目標跟蹤算法可以將研究的目光放在在后續(xù)特征處理和目標位置選取上,重點在于提升對網(wǎng)絡輸出特征的利用。本文以多層卷積網(wǎng)絡作為跟蹤的特征提取器,以Siamese網(wǎng)絡作為跟蹤器的基礎網(wǎng)絡框架,提出了將高頻特征和低頻特征相互融合的目標跟蹤方法。針對現(xiàn)在的多層卷積網(wǎng)絡結構,使用殘差網(wǎng)絡塊作為組成特征提取網(wǎng)絡的基本結構,然后將目標特征和搜索區(qū)域特征的輸入分為高頻特征和低頻特征在不同通道中分別進行處理,并且每層高低頻特征輸出結果進行信息交換。最終得到的目標特征信息更為豐富,獲得了較好的跟蹤性能。本文還提出了網(wǎng)格特征點融合的目標跟蹤方法。以Siam RPN為基礎,對特征提取后的網(wǎng)絡部分進行修改。針對Siam RPN的偏移回歸分支,通過引入網(wǎng)格點特征融合的方法,通過全卷積定位來優(yōu)化回... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

原Siamese網(wǎng)絡結構圖

重慶郵電大學碩士學位論文第3章高低空間頻率特征提取的跟蹤方法21(b)SiamRPN+方法圖3.2結合高低頻特征的SiamFC和SiamRPN的改進方法3.2.3結合高頻特征和低頻特征的特征提取網(wǎng)絡對于普通的卷積，輸出和輸入的特征具有相同的空間分辨率。Campbell等認為，一副自然圖像可以分解出高頻信號圖像和低頻信號圖像[42]。高頻信號更多地描繪圖像的細節(jié)信息，而低頻信號傾向于表示全局的粗略結構。在目標跟蹤中，為了獲取低頻的特征信息，可以通過額外添加一個下采樣的方式，將特征輸出縮小，然后將其輸出和未做下采樣的特征經(jīng)過同樣的卷積核操作。在進行相同次數(shù)的卷積核卷積計算后，其輸出后的每個點和未做下采樣的特征相比，更加粗略，單個點對應的原圖像上圖像塊的大小更大。這樣，低頻的特征和比其高頻的特征具有更大的接受域，對視頻圖像的總體外觀能力比正常的卷積輸出特征強。

重慶郵電大學碩士學位論文第3章高低空間頻率特征提取的跟蹤方法23通過上面的方式，3的卷積部分的接受域是普通卷積的2倍。這進一步幫助每個卷積層從更遠的位置獲取更多的上下文信息，提高網(wǎng)絡特征的性能。3.2.4特征網(wǎng)絡改進細節(jié)本章方法的主干網(wǎng)絡選擇的是ResNet網(wǎng)絡作為原特征提取器來取代AlexNet。根據(jù)ResNet的特點，其網(wǎng)絡結構主要為多個相同結構的殘差塊疊加構成，單個殘差塊如圖3.3所示。圖3.3基礎ResNet的殘差塊結構圖3.3中，conv1x1和conv3x3表示卷積核長寬為1和3，s1表示卷積核計算時位移步長為1，表示卷積特征的通道數(shù)。依照高低頻卷積的思路，將backbone結構進行優(yōu)化。依據(jù)功能的不同，修改的殘差塊分為三個主要的部分，并將其命名為：HL_block,In_block和Out_block。1.HL_block結構此模塊是用于作為主要的高低頻特征提取網(wǎng)絡的結構。根據(jù)式(3.6)，可以得到改進后的backbone的主要結構。HL_block有兩個輸入：一個是高頻特征輸入2，另一個是低頻特征輸入3。通過卷積計算，HL_block得到兩個特征輸出，一個為高


本文編號：3621229