【摘要】：近些年來(lái),視覺(jué)目標(biāo)跟蹤已經(jīng)成為計(jì)算機(jī)視覺(jué)中非常重要的研究方向之一。在一些常見(jiàn)的基于視頻序列的應(yīng)用,例如異常事件檢測(cè),無(wú)人機(jī)控制等中,一個(gè)準(zhǔn)確度高、穩(wěn)定性好、運(yùn)行速度快的視覺(jué)目標(biāo)跟蹤算法都是非常必要的。視覺(jué)目標(biāo)跟蹤算法的主要任務(wù)是在給定待跟蹤目標(biāo)后準(zhǔn)確可靠地預(yù)測(cè)目標(biāo)在后續(xù)圖像序列中的位置和大小。視覺(jué)目標(biāo)跟蹤的主要難點(diǎn)則在于,給定的待跟蹤目標(biāo)的形貌特征是任意的,而且正樣本數(shù)量非常有限。其次,待跟蹤目標(biāo)的形貌會(huì)受到多個(gè)方面因素的干擾,比如光照變化,遮擋,旋轉(zhuǎn),變形等。這也要求視覺(jué)目標(biāo)跟蹤算法具有更強(qiáng)的判別能力。針對(duì)視覺(jué)目標(biāo)跟蹤中的正樣本少,目標(biāo)形貌特征變化多的兩個(gè)難點(diǎn),論文基于回歸模型和深度學(xué)習(xí)技術(shù),提出了四種針對(duì)特定目標(biāo)跟蹤問(wèn)題的視覺(jué)目標(biāo)跟蹤算法。具體的,論文完成了以下四種視覺(jué)目標(biāo)跟蹤算法的研究:首先,論文提出了一種基于結(jié)構(gòu)化相關(guān)濾波實(shí)現(xiàn)的回歸模型,用于對(duì)視覺(jué)目標(biāo)的跟蹤。原始的相關(guān)濾波模型將目標(biāo)整體作為輸入,對(duì)于目標(biāo)被遮擋或者發(fā)生嚴(yán)重形變的情況,該算法無(wú)法很好的完成目標(biāo)跟蹤。為解決這些問(wèn)題,論文提出將目標(biāo)分為結(jié)構(gòu)化的多個(gè)圖像塊,并自適應(yīng)地調(diào)整它們的權(quán)重,抑制遮擋部分對(duì)于目標(biāo)定位的貢獻(xiàn),實(shí)現(xiàn)對(duì)目標(biāo)的準(zhǔn)確跟蹤。同時(shí),論文還提出基于目標(biāo) 背景直方圖的目標(biāo)增強(qiáng)模型,解決了目標(biāo)發(fā)生形變時(shí)特征不明顯的問(wèn)題�；谏鲜鰞煞N方法,算法的跟蹤性能得到了顯著提高。受到當(dāng)前流行的深度卷積網(wǎng)絡(luò)的啟發(fā),論文進(jìn)一步提出將深度學(xué)習(xí)技術(shù)與回歸模型結(jié)合在一起,利用單層的卷積層網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)回歸模型的求解,從而實(shí)現(xiàn)目標(biāo)跟蹤。傳統(tǒng)的相關(guān)濾波算法可以實(shí)現(xiàn)對(duì)回歸模型的快速求解,但是其訓(xùn)練樣本包含大量額外背景信息,且樣本數(shù)量有限,不利于目標(biāo)跟蹤。而該算法中的訓(xùn)練樣本基于滑動(dòng)窗形式提取得到,因此不包含額外背景信息,且樣本數(shù)量得到極大提高,使得回歸模型具有更強(qiáng)的判別能力。該算法為視覺(jué)目標(biāo)跟蹤領(lǐng)域提供了一種全新的基于卷積回歸模型的跟蹤算法,并且其跟蹤性能超越了大部分現(xiàn)有的基于相關(guān)濾波模型的跟蹤算法�；谡w目標(biāo)訓(xùn)練得到的卷積回歸模型顯然無(wú)法很好地解決目標(biāo)發(fā)生變形帶來(lái)的挑戰(zhàn),也無(wú)法快速地實(shí)現(xiàn)對(duì)目標(biāo)大小的預(yù)測(cè)。因此,論文還設(shè)計(jì)一種層級(jí)式的卷積回歸模型,用于目標(biāo)的定位和大小預(yù)測(cè)。該算法引入了一個(gè)基于局部紋理信息的卷積回歸模型,用于預(yù)測(cè)目標(biāo)的前景。該紋理回歸模型可以很好地在目標(biāo)發(fā)生變形或者旋轉(zhuǎn)時(shí)輔助對(duì)目標(biāo)定位,提高跟蹤準(zhǔn)確度。此外,論文還提出一種基于貝葉斯模型的最大后驗(yàn)估計(jì)的方法,能夠利用目標(biāo)的前景預(yù)測(cè)圖直接估計(jì)目標(biāo)的大小,顯著提高了算法的運(yùn)行速度,以及對(duì)目標(biāo)大小預(yù)測(cè)的準(zhǔn)確度。上述三種跟蹤算法都是基于監(jiān)督式回歸模型的,因此在跟蹤過(guò)程中,模型參數(shù)都必須在線更新,極大地降低了算法的運(yùn)行速度。為了解決這一問(wèn)題,論文還提出了一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的視覺(jué)目標(biāo)跟蹤算法。該卷積網(wǎng)絡(luò)模型接收兩個(gè)圖像塊作為輸入,并輸出一個(gè)二維的熱圖,用來(lái)指示目標(biāo)在圖像中最可能出現(xiàn)的位置�；谶@樣的網(wǎng)絡(luò)設(shè)計(jì),可以巧妙地將視覺(jué)目標(biāo)跟蹤被轉(zhuǎn)化為一個(gè)求解目標(biāo)相似度的問(wèn)題。不同于以往的跟蹤算法,該模型只需要經(jīng)過(guò)一次離線學(xué)習(xí),就可以實(shí)現(xiàn)對(duì)任意目標(biāo)的跟蹤,而且不需要額外的在線更新,因此其運(yùn)行速度非�？�。相關(guān)實(shí)驗(yàn)表明,該算法在取得有競(jìng)爭(zhēng)力的跟蹤效果同時(shí),能夠以每秒鐘45幀的速度實(shí)時(shí)運(yùn)行。論文中提出的以上四種跟蹤算法分別從四個(gè)不同的角度出發(fā),將回歸模型與深度學(xué)習(xí)技術(shù)結(jié)合起來(lái),解決了視覺(jué)目標(biāo)跟蹤中的特定問(wèn)題。論文還在多個(gè)流行的視覺(jué)目標(biāo)跟蹤測(cè)試數(shù)據(jù)集上進(jìn)行了充分的對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示論文中提出的算法取得了良好的跟蹤性能。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳文慧;余思敏;賀杰;張子豪;李軍成;;基于2種回歸模型的大學(xué)生校園貸原因分析及對(duì)策探討[J];高師理科學(xué)刊;2018年11期

2 張莎;趙紅;;分層回歸與經(jīng)典回歸模型比較研究:以顧客資產(chǎn)驅(qū)動(dòng)因素與忠誠(chéng)意向的關(guān)系為例[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2010年08期

3 胡暖;非運(yùn)動(dòng)回歸模型預(yù)測(cè)大學(xué)生最大攝氧量[J];山西師大體育學(xué)院學(xué)報(bào);2004年04期

4 姜寶法;《Logistic回歸模型—方法與應(yīng)用》[J];預(yù)防醫(yī)學(xué)文獻(xiàn)信息;2002年05期

5 潘正義;用EXCEL解回歸問(wèn)題[J];天津農(nóng)學(xué)院學(xué)報(bào);1997年02期

6 田俊;;Cox回歸模型及其參數(shù)估計(jì)[J];福建醫(yī)學(xué)院學(xué)報(bào);1987年02期

7 陳孝源;沈錦花;;新安江流域5—9月間汛期雨量預(yù)報(bào)的混合回歸模型[J];應(yīng)用概率統(tǒng)計(jì);1987年04期

8 ;衛(wèi)生統(tǒng)計(jì)[J];中國(guó)婦幼衛(wèi)生雜志;1988年03期

9 馮可君 ,鄧瑞玲 ,張緒軍;一種多元單調(diào)回歸模型及其在地圖制圖中運(yùn)用的一例[J];測(cè)繪學(xué)報(bào);1988年03期

10 馬勤;建立最優(yōu)營(yíng)運(yùn)回歸模型[J];黑龍江財(cái)專(zhuān)學(xué)報(bào);1988年03期

相關(guān)會(huì)議論文 前10條

1 張松松;沈競(jìng);;回歸模型和吉布斯抽樣的研究[A];第十屆中國(guó)不確定系統(tǒng)年會(huì)、第十四屆中國(guó)青年信息與管理學(xué)者大會(huì)論文集[C];2012年

2 強(qiáng)雁;羌維立;;基于線性回歸的建模方法——最小量化法[A];江蘇省現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第八次學(xué)術(shù)年會(huì)論文集[C];2003年

3 張波;沈其君;;Logistic回歸模型中自變量相對(duì)重要性的可視化[A];2011年中國(guó)衛(wèi)生統(tǒng)計(jì)學(xué)年會(huì)會(huì)議論文集[C];2011年

4 林靜;韓玉啟;朱慧明;;一種多重Weibull回歸模型在競(jìng)爭(zhēng)失效分析中的應(yīng)用[A];中國(guó)系統(tǒng)仿真學(xué)會(huì)第五次全國(guó)會(huì)員代表大會(huì)暨2006年全國(guó)學(xué)術(shù)年會(huì)論文集[C];2006年

5 李志林;尹建華;;MATLAB軟件在建立回歸模型中的應(yīng)用[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

6 續(xù)秋霞;梅長(zhǎng)林;;變系數(shù)回歸模型在我國(guó)極端溫度與平均溫度關(guān)系分析中的研究與應(yīng)用[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第十三屆學(xué)術(shù)年會(huì)論文集[C];2007年

7 吳利;張敏強(qiáng);;固定效應(yīng)與隨機(jī)效應(yīng)回歸模型下效果量的置信區(qū)間、統(tǒng)計(jì)功效及樣本容量的確定的比較研究[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

8 宋濤;劉隨隨;白仲林;;面板數(shù)據(jù)動(dòng)態(tài)平滑轉(zhuǎn)移回歸模型的間接推斷估計(jì)及其應(yīng)用[A];21世紀(jì)數(shù)量經(jīng)濟(jì)學(xué)（第13卷）[C];2012年

9 鄭典模;陳創(chuàng);屈海寧;;離子交換法制備硅溶膠工藝的優(yōu)化[A];2015年全國(guó)無(wú)機(jī)硅化物行業(yè)年會(huì)暨新常態(tài)行業(yè)發(fā)展研討會(huì)論文集[C];2015年

10 賴(lài)曉紅;;中職學(xué)生主觀幸福感影響因素研究[A];第二屆中青年心理衛(wèi)生學(xué)者學(xué)術(shù)研討會(huì)論文集[C];2009年

相關(guān)重要報(bào)紙文章 前2條

1 吳一福;我國(guó)建成人動(dòng)脈血pH值與地理因素回歸模型[N];中國(guó)醫(yī)藥報(bào);2007年

2 龍博;DCE大豆、豆粕期價(jià)的數(shù)理統(tǒng)計(jì)和回歸模型[N];期貨日?qǐng)?bào);2005年

相關(guān)博士學(xué)位論文 前10條

1 陳凱;基于深度學(xué)習(xí)和回歸模型的視覺(jué)目標(biāo)跟蹤算法研究[D];華中科技大學(xué);2018年

2 康慧敏;基于隨機(jī)回歸模型的基因組選擇“一步”法研究[D];中國(guó)農(nóng)業(yè)大學(xué);2017年

3 左珊珊;Meta-回歸模型的統(tǒng)計(jì)診斷方法研究[D];云南財(cái)經(jīng)大學(xué);2018年

4 吳擰洪;時(shí)間序列中回歸模型的診斷檢驗(yàn)[D];華東師范大學(xué);2007年

5 于揚(yáng);混頻數(shù)據(jù)回歸模型的建模理論、分析技術(shù)研究[D];東北財(cái)經(jīng)大學(xué);2016年

6 張仕光;噪聲特性的回歸模型及其在短期風(fēng)速預(yù)報(bào)中的應(yīng)用[D];河北師范大學(xué);2014年

7 陳永偉;似無(wú)關(guān)回歸模型及其應(yīng)用研究[D];華中科技大學(xué);2008年

8 田茂再;回歸模型的診斷理論與應(yīng)用[D];南開(kāi)大學(xué);2001年

9 孟瑞鋒;基于不同超聲信號(hào)變換的食品溶液濃度檢測(cè)研究[D];浙江大學(xué);2012年

10 包姣;基于深度神經(jīng)網(wǎng)絡(luò)的回歸模型及其應(yīng)用研究[D];電子科技大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 傅婷;邊際回歸模型的改進(jìn)二次推斷函數(shù)估計(jì)[D];蘇州大學(xué);2018年

2 謝杰;SGL門(mén)檻回歸模型及其在股票分析中的應(yīng)用[D];暨南大學(xué);2018年

3 吳丹;基于可加回歸模型的AQI時(shí)序特征分析[D];內(nèi)蒙古大學(xué);2018年

4 于媛媛;logistic回歸模型在流行病學(xué)病因分析中的偏性及其改進(jìn)策略研究[D];山東大學(xué);2018年

5 丁改云;金融發(fā)展減緩多維貧困的門(mén)檻特征和空間溢出效應(yīng)研究[D];西北大學(xué);2018年

6 齊樂(lè);基于MCMC方法的參數(shù)生存回歸模型的貝葉斯估計(jì)[D];大連理工大學(xué);2018年

7 繆繼華;基于支持向量回歸模型的序列采樣方法研究[D];華中科技大學(xué);2017年

8 張?zhí)?基于累積Logistic回歸模型的霧霾天氣概率估計(jì)研究[D];華北電力大學(xué)(北京);2018年

9 趙卉;非線性期望空間均值不確定下參數(shù)估計(jì)的實(shí)現(xiàn)與應(yīng)用研究[D];山東大學(xué);2018年

10 張紅;加速失效回歸模型基于廣義指數(shù)分布的統(tǒng)計(jì)推斷[D];長(zhǎng)春工業(yè)大學(xué);2017年

，

本文編號(hào)：2705083