本文選題：目標跟蹤 + 粒子濾波�。� 參考：《西安理工大學》2017年碩士論文

【摘要】：視頻目標跟蹤是計算機視覺領域一個重要研究課題,在智能交通系統(tǒng)中具有廣泛應用,其中,室外車輛跟蹤是一個重要內容。但受復雜多變的室外環(huán)境的影響,如光照變化、遮擋、雜亂背景等,室外車輛跟蹤面臨嚴峻的挑戰(zhàn)。因此,本文在粒子濾波框架下,提出了三種基于深度自編碼器的室外車輛跟蹤算法,并將卷積神經(jīng)網(wǎng)絡用于室外車輛跟蹤中。(1)基于k稀疏深度降噪自編碼器的目標跟蹤。該算法通過k稀疏深度降噪自編碼器學習能夠有效區(qū)分目標和背景的目標特征。整個算法由離線訓練、分類神經(jīng)網(wǎng)絡構建和在線跟蹤三部分組成。首先借助訓練樣本離線學習目標的通用特征表示;然后根據(jù)學習到的知識構建分類神經(jīng)網(wǎng)絡,并引入k稀疏限制以增強其不變性特征提取能力;最后將分類神經(jīng)網(wǎng)絡輸出置信度用于在線跟蹤。(2)基于多深度自編碼器融合的目標跟蹤。該算法針對算法(1)中灰度特征易受光照變化影響的情況,提出將多特征訓練的多深度自編碼器融合用于目標跟蹤。整個算法由通用特征表示、分類神經(jīng)網(wǎng)絡融合和在線跟蹤三部分組成,即首先隨機選取Tiny Images dataset中30萬張圖片的灰度特征和梯度特征分別無監(jiān)督離線訓練兩個深度自編碼器,然后根據(jù)訓練結果構建并線性加權融兩個分類神經(jīng)網(wǎng)絡,最后將融合結果用于在線跟蹤。(3)基于多深度自編碼器自適應融合的目標跟蹤。該算法針對算法(2)固定權值融合多模型中一個模型發(fā)生劇烈變化導致融合結果不可靠的問題,提出一種自適應融合策略。其中,自適應融合權值根據(jù)不同模型所表征粒子集的分布情況自動確定。(4)基于卷積神經(jīng)網(wǎng)絡的目標跟蹤。該算法由離線訓練和在線跟蹤兩部分組成。首先利用CIFAR-10的6萬張圖片有監(jiān)督離線訓練卷積神經(jīng)網(wǎng)絡,然后利用遷徙學習的方式將訓練結果用于在線跟蹤。以上四種算法在跟蹤第一幀和跟蹤過程中置信度不滿足設定閾值要求時都需要重新微調分類神經(jīng)網(wǎng)絡以適應跟蹤目標變化。本文設計4個實驗評估以上4種算法。實驗(1)和實驗(2)采用定量和定性方式評估算法性能。定量評估通過VTB數(shù)據(jù)集中50個完全標注視頻序列的整體性能和11種基于屬性性能的精確度和成功率實現(xiàn);定性評估分別通過4個和12個挑戰(zhàn)性室外車輛序列實現(xiàn)。實驗(1)結果表明,與3種主流跟蹤算法(DLT、MTT和CSK)相比,本文提出的基于k稀疏深度降噪自編碼器的目標跟蹤算法在室外多種挑戰(zhàn)性環(huán)境因素(如光照變化、遮擋、雜亂背景、尺度變化、快速運動)下都具有較高跟蹤精度。實驗(2)結果表明,與7種主流跟蹤算法(DLT、IVT、L1APG、MIL、OAB、MTT和CSK)相比,本文提出的基于多深度自編碼器融合的目標跟蹤算法能夠實現(xiàn)復雜場景下室外車輛魯棒跟蹤。實驗(3)將算法(2)和算法(3)在6個挑戰(zhàn)性室外車輛序列上進行中心位置誤差和重疊率對比,結果表明,基于多深度自編碼器自適應融合的目標跟蹤算法能夠更好處理復雜環(huán)境下室外車輛跟蹤問題。實驗(4)將算法(4)在3個挑戰(zhàn)性室外車輛序列上對進行性能評估,結果表明,基于卷積神經(jīng)網(wǎng)絡的目標跟蹤算法在某些挑戰(zhàn)情況下沒有準確跟蹤目標,文中對其原因進行了深入分析。
[Abstract]:This paper presents three kinds of target tracking algorithms based on multi - depth self - coder based on multi - depth self - coder . The results show that the target tracking algorithm based on multi - depth self - coder fusion can better deal with the tracking problem of outdoor vehicles in complex environments . The results show that the target tracking algorithm based on multi - depth self - coder fusion can better deal with the tracking problem of outdoor vehicles in complex environments .

【學位授予單位】：西安理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP18

【參考文獻】

相關期刊論文 前7條

1 尹宏鵬;陳波;柴毅;劉兆棟;;基于視覺的目標檢測與跟蹤綜述[J];自動化學報;2016年10期

2 管皓;薛向陽;安志勇;;深度學習在視頻目標跟蹤中的應用進展與展望[J];自動化學報;2016年06期

3 劉文舉;聶帥;梁山;張學良;;基于深度學習語音分離技術的研究現(xiàn)狀與進展[J];自動化學報;2016年06期

4 程帥;孫俊喜;曹永剛;劉廣文;韓廣良;;多示例深度學習目標跟蹤[J];電子與信息學報;2015年12期

5 程帥;曹永剛;孫俊喜;趙立榮;劉廣文;韓廣良;;基于增強群跟蹤器和深度學習的目標跟蹤[J];電子與信息學報;2015年07期

6 程帥;孫俊喜;曹永剛;趙立榮;;增量深度學習目標跟蹤[J];光學精密工程;2015年04期

7 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

，

本文編號：1778728