目標(biāo)跟蹤一直都是計(jì)算機(jī)視覺中重要的研究方向之一,因其不僅可以提供目標(biāo)的運(yùn)動(dòng)狀態(tài),還可以為場(chǎng)景理解等高層次視覺分析提供重要數(shù)據(jù)。目前,已在人機(jī)交互、智能視頻監(jiān)控、公共安全等諸多領(lǐng)域廣泛應(yīng)用。所謂目標(biāo)跟蹤是指在一個(gè)圖像或者視頻序列中選擇感興趣的目標(biāo),在接下來的連續(xù)幀中,找到該目標(biāo)的位置并形成運(yùn)動(dòng)軌跡。盡管隨著深度學(xué)習(xí)的日益發(fā)展,目標(biāo)跟蹤算法取得了諸多研究成果,但是由于受到復(fù)雜的光照變化、背景中相似物體的干擾和攝像機(jī)的抖動(dòng)等復(fù)雜因素的影響,使得目標(biāo)表觀模型動(dòng)態(tài)變化,研究能夠有效適應(yīng)復(fù)雜場(chǎng)景動(dòng)態(tài)變化的目標(biāo)跟蹤算法仍然是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。論文在認(rèn)真分析總結(jié)現(xiàn)有典型目標(biāo)跟蹤算法的基礎(chǔ)上,得出現(xiàn)有目標(biāo)跟蹤算法通常分為2類:（1）基于相關(guān)濾波的目標(biāo)跟蹤算法;（2）基于深度學(xué)習(xí)的目標(biāo)跟蹤算法�；谙嚓P(guān)濾波的跟蹤算法在計(jì)算效率與競(jìng)爭(zhēng)效果上優(yōu)勢(shì)顯著,但有兩個(gè)主要的缺點(diǎn):（1）手動(dòng)抽取特征無法捕捉目標(biāo)的語義信息;（2）缺乏訓(xùn)練數(shù)據(jù)。為了克服CF（Correlation Filter,CF）手動(dòng)抽取特征性能的不足,將深度卷積特征引入CF,成功的優(yōu)化了此種缺陷。盡管基于卷積神經(jīng)網(wǎng)絡(luò)（Convolution N... 

【文章來源】：安徽理工大學(xué)安徽省

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 目標(biāo)跟蹤的應(yīng)用
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 單目標(biāo)跟蹤算法
        1.3.2 多目標(biāo)跟蹤
    1.4 挑戰(zhàn)因素
    1.5 本文主要內(nèi)容和組織結(jié)構(gòu)
2 相關(guān)基礎(chǔ)理論
    2.1 相關(guān)濾波跟蹤算法理論
        2.1.1 深度學(xué)習(xí)算法理論
        2.1.2 快速傅里葉變換和循環(huán)卷積定理
        2.1.3 相關(guān)濾波跟蹤算法及發(fā)展方向
    2.2 深度學(xué)習(xí)算法理論
        2.2.1 深度學(xué)習(xí)介紹
        2.2.2 基于深度學(xué)習(xí)的單目標(biāo)跟蹤算法及發(fā)展方向
            2.2.2.1 棧式自編碼器特征
            2.2.2.2 深度卷積特征
    2.3 常用的跟蹤數(shù)據(jù)庫
        2.3.1 OTB數(shù)據(jù)庫
        2.3.2 VOT數(shù)據(jù)庫
    2.4 本章小結(jié)
3 目標(biāo)跟蹤算法的對(duì)比研究
    3.1 KCF跟蹤算法
        3.1.1 樣本集合訓(xùn)練
        3.1.2 訓(xùn)練分類器
        3.1.3 快速檢測(cè)
        3.1.4 外觀模型更新
    3.2 SiamFC
    3.3 FFTNet
    3.4 仿真實(shí)驗(yàn)與結(jié)果分析
    3.5 本章小結(jié)
4 基于深度學(xué)習(xí)與相關(guān)濾波的目標(biāo)跟蹤算法
    4.1 算法介紹
        4.1.1 全卷積對(duì)稱網(wǎng)絡(luò)
        4.1.2 跟蹤算法
        4.1.3 相關(guān)濾波網(wǎng)絡(luò)
        4.1.4 相關(guān)濾波器
            4.1.4.1 核線性回歸
            4.1.4.2 單通道CF
            4.1.4.3 多通道CF
    4.2 仿真實(shí)驗(yàn)分析
        4.2.1 評(píng)價(jià)標(biāo)準(zhǔn)
        4.2.2 與SiamFC比較
        4.2.3 與其他方法的比較
    4.3 本章小結(jié)
5 總結(jié)與展望
    5.1 研究?jī)?nèi)容總結(jié)
    5.2 研究?jī)?nèi)容展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介及讀研期間主要科研成果


【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)特征融合的核相關(guān)濾波跟蹤算法[J]. 熊昌鎮(zhèn),趙璐璐,郭芬紅.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(06)
[2]基于深度學(xué)習(xí)的目標(biāo)跟蹤方法研究現(xiàn)狀與展望[J]. 羅海波,許凌云,惠斌,常錚.  紅外與激光工程. 2017(05)
[3]尺度自適應(yīng)的核相關(guān)濾波跟蹤器[J]. 李麒驥,李磊民,黃玉清.  計(jì)算機(jī)應(yīng)用. 2016(12)
[4]采用核相關(guān)濾波器的自適應(yīng)尺度目標(biāo)跟蹤[J]. 張雷,王延杰,孫宏海,姚志軍,吳培.  光學(xué)精密工程. 2016(02)
[5]一種易于初始化的類卷積神經(jīng)網(wǎng)絡(luò)視覺跟蹤算法[J]. 李寰宇,畢篤彥,查宇飛,楊源.  電子與信息學(xué)報(bào). 2016(01)
[6]基于相關(guān)濾波的尺度自適應(yīng)目標(biāo)跟蹤[J]. 徐玉龍,王家寶,李陽,李航,張耿寧,張亞非.  計(jì)算機(jī)應(yīng)用研究. 2016(11)
[7]改進(jìn)的核相關(guān)濾波器目標(biāo)跟蹤算法[J]. 余禮楊,范春曉,明悅.  計(jì)算機(jī)應(yīng)用. 2015(12)
[8]基于深度特征表達(dá)與學(xué)習(xí)的視覺跟蹤算法研究[J]. 李寰宇,畢篤彥,楊源,查宇飛,覃兵,張立朝.  電子與信息學(xué)報(bào). 2015(09)
[9]The present status and prospects in the research of orbital dynamics and control near small celestial bodies[J]. Pingyuan Cui,Dong Qiao.  Theoretical & Applied Mechanics Letters. 2014(01)
[10]紋理濾波器在分割肛管外病癥圖像中的應(yīng)用[J]. 江南春,張華,劉蘇宜.  微型機(jī)與應(yīng)用. 2011(04)

碩士論文
[1]基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究[D]. 李藍(lán)星.哈爾濱工業(yè)大學(xué) 2018



本文編號(hào)：3180073