視覺目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)重要的研究方向,并且應(yīng)用廣泛。近年來(lái),深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域取得了顯著的效果,深度學(xué)習(xí)的發(fā)展不僅突破了很多傳統(tǒng)算法難以解決的難題,提升了計(jì)算機(jī)對(duì)于圖像和視頻的認(rèn)知水平,更推動(dòng)了計(jì)算機(jī)視覺領(lǐng)域相關(guān)技術(shù)的進(jìn)步�；谏疃葘W(xué)習(xí)的跟蹤算法也獲得了長(zhǎng)足的發(fā)展,得到了較高的跟蹤性能。但是,依然存在許多問(wèn)題制約了跟蹤性能的進(jìn)一步提升,如通過(guò)響應(yīng)圖確定的目標(biāo)位置不夠精確、判別能力較差、初始化信息不準(zhǔn)確等。本文針對(duì)單目標(biāo)跟蹤中的問(wèn)題進(jìn)行了深入研究,有針對(duì)性地提出了三個(gè)基于深度學(xué)習(xí)的視覺目標(biāo)跟蹤算法。本文的主要工作與創(chuàng)新總結(jié)如下:（1）早期的基于相關(guān)濾波的跟蹤算法一般采用手工設(shè)計(jì)的特征描述子來(lái)進(jìn)行特征提取,對(duì)目標(biāo)的特征表達(dá)能力有限,導(dǎo)致通過(guò)響應(yīng)圖確定的目標(biāo)位置不夠準(zhǔn)確,尤其在遮擋和背景混雜等因素干擾下通常不能得到令人滿意的跟蹤效果。本文提出了基于顯著性區(qū)域加權(quán)的相關(guān)濾波目標(biāo)跟蹤算法,采用改進(jìn)的殘差網(wǎng)絡(luò)來(lái)提取多分辨率的特征,將視覺顯著性引入相關(guān)濾波來(lái)對(duì)響應(yīng)圖進(jìn)行顯著性加權(quán),提高目標(biāo)定位精度。在目標(biāo)跟蹤評(píng)測(cè)數(shù)據(jù)集VOT（Visual Object Tracking）上進(jìn)行評(píng)測(cè)... 

【文章來(lái)源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所)吉林省

【文章頁(yè)數(shù)】：126 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

目標(biāo)跟蹤中的的挑戰(zhàn)

Henriques等人[58]在CSK的基礎(chǔ)上擴(kuò)展了多通道功能和核方法,提出核相關(guān)濾波器(Kernelized Correlation Filter,KCF)跟蹤算法,同時(shí)將相關(guān)濾波的求解轉(zhuǎn)化為嶺回歸問(wèn)題。Danelljan等人[59]在顏色名(Color Names,CN)跟蹤算法中將原本RGB的3通道的圖像映射到11通道,如圖1.6所示,并對(duì)每個(gè)通道單獨(dú)進(jìn)行處理再將結(jié)果進(jìn)行融合。為了解決通道數(shù)過(guò)多影響運(yùn)行速度,作者使用主成分分析(Principal Component Analysis,PCA)降維的方法從11個(gè)通道中選出2個(gè)主要通道進(jìn)行上述處理。使用手工設(shè)計(jì)特征的高效卷積算子跟蹤算法(Efficient convolution operators for tracker with hand-crafted feature,ECO-HC)[60]采用方向梯度直方圖(Histogram of Oriented Gradient,HOG)[61]和顏色名(Color Name,CN)[59]特征進(jìn)行融合取得了良好的效果。Bertinetto等人[62]提出模板與像素互補(bǔ)學(xué)習(xí)(Sum of Template and Pixel-wise Learners,Staple)跟蹤算法,如圖1.7所示,Staple采用HOG特征[61]和顏色直方圖來(lái)建立目標(biāo)的外觀模型,這兩種特征具有一定的互補(bǔ)性,通過(guò)獨(dú)立求解他們的響應(yīng)圖,最后對(duì)響應(yīng)圖采用加權(quán)融合的方式獲得了較好的跟蹤效果。

Bertinetto等人[62]提出模板與像素互補(bǔ)學(xué)習(xí)(Sum of Template and Pixel-wise Learners,Staple)跟蹤算法,如圖1.7所示,Staple采用HOG特征[61]和顏色直方圖來(lái)建立目標(biāo)的外觀模型,這兩種特征具有一定的互補(bǔ)性,通過(guò)獨(dú)立求解他們的響應(yīng)圖,最后對(duì)響應(yīng)圖采用加權(quán)融合的方式獲得了較好的跟蹤效果。深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域取得了前所未有的效果,近年來(lái),深度學(xué)習(xí)也被引入到目標(biāo)跟蹤領(lǐng)域,許多學(xué)者在相關(guān)濾波的跟蹤框架下,采用深度特征來(lái)改善跟蹤性能,這些將在下一節(jié)介紹。

【參考文獻(xiàn)】：
期刊論文
[1]空間態(tài)勢(shì)感知:開啟“上帝之眼”模式[J]. 張乃千.  軍事文摘. 2017(15)

博士論文
[1]復(fù)雜場(chǎng)景下魯棒的目標(biāo)跟蹤算法研究[D]. 曾憲佑.北京交通大學(xué) 2019
[2]基于深度學(xué)習(xí)的目標(biāo)跟蹤研究[D]. 盧憲凱.上海交通大學(xué) 2018
[3]基于稀疏表示的目標(biāo)跟蹤技術(shù)研究[D]. 陳典兵.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 2017

碩士論文
[1]基于無(wú)人機(jī)機(jī)載電視成像的地面目標(biāo)跟蹤[D]. 祝國(guó)浩.國(guó)防科學(xué)技術(shù)大學(xué) 2009



本文編號(hào)：3461398