發(fā)布時間：2021-08-17 06:09

　　在目標跟蹤（Object Tracking）過程中,被跟蹤目標始終處于運動狀態(tài),在動態(tài)場景（Dynamic Scene）下被跟蹤極易發(fā)生目標遮擋（Occlusion,OCC）、快速運動（Fast motion,FM）、運動模糊（Motion blur,MB）、尺度變化（Scale variation,SV）、變形（Deformation,DEF）、球內(nèi)旋轉(zhuǎn)（In-plane rotation,IPR）、球外旋轉(zhuǎn)（Out-of-plane rotation,OPR）、出視野（Out of view,OV）、場景復雜的光照變化（Illumination variation,IV）、低分辨率（Low resolution,LR）、背景雜亂（Background clutter,BC）等。在如此復雜的動態(tài)場景下,容易發(fā)生模型漂移,造成跟蹤失敗,嚴重者會造成永久性失跟。本文以目標跟蹤的相關(guān)濾波（Correlation Filters,CF）類算法為基礎(chǔ)對目標跟蹤中的模型更新（Model Update）和多特征融合（Features Fusion）進行深入的研究。本文提出了三種新穎的目標跟蹤算法,... 

【文章來源】：中北大學山西省

【文章頁數(shù)】：129 頁

【學位級別】：碩士

【部分圖文】：

目標跟蹤過程中的5種典型挑戰(zhàn)場景

中北大學學位論文5Comaniciu等[31]提出的均值漂移法（mean-shift），以及2002年Nummiaro等[32]提出的粒子濾波算法等。判別式目標跟蹤是從2011年Bolme等[10]提出的最小化輸出平方差和（MinimumOutputSumofSquaredError,MOSSE）算法開始發(fā)展而來，是目前目標跟蹤領(lǐng)域的主流建模思想。其基本思想為將目標與背景進行判別分離，關(guān)注被跟蹤目標的同時對跟蹤背景同樣進行關(guān)注，這樣極大地提高了跟蹤的準確度與魯棒性，并且大部分判別式目標跟蹤算法可以實現(xiàn)實時性跟蹤。判別式目標跟蹤方向目前已發(fā)展成為基于相關(guān)濾波的判別式目標跟蹤與基于深度學習的判別式目標跟蹤兩大分支。（1）基于相關(guān)濾波的判別式目標跟蹤基于相關(guān)濾波的判別式目標跟蹤從MOSSE算法被提出以來就獲得許多研究學者的關(guān)注，其基本原理如圖1-2所示。圖1-2相關(guān)濾波目標跟蹤基本原理圖Figure1-2BasicprinciplediagramofcorrelationfiltersobjecttrackingMOSSE算法是相關(guān)濾波目標跟蹤領(lǐng)域早期的一個基準算法，其創(chuàng)新性地使用了快速傅里葉變換（FastFourierTransform,FFT）在傅里葉域內(nèi)進行圖像相關(guān)性的計算，由此在跟蹤速度方面達到了669幀率（FramesPerSecond,FPS）。2011年Hare等[33]提出基于

中北大學學位論文10圖1-3SiamFC跟蹤器基本原理圖Figure1-3BasicprinciplediagramofSiamFCobjecttracking受SiamFC啟發(fā)，2018年Li等[54]提出了基于孿生區(qū)域提取網(wǎng)絡(luò)的高性能目標跟蹤（HighPerformanceVisualTrackingwithSiameseRegionProposalNetwork,SiamRPN），其包含孿生網(wǎng)絡(luò)部分與候選區(qū)域部分，即將分類與回歸同時進行，摒棄了傳統(tǒng)的多尺度檢測與在線微調(diào)，提高了跟蹤速度。它仍是將初始幀作為模板，使后續(xù)幀圖像與其進行匹配，在整個過程中不進行模型的更新�？紤]到對圖像增加填充（padding）會造成識別混亂，因此SiamRPN使用網(wǎng)絡(luò)加厚代替padding，所以SiamRPN不能使用深度殘差網(wǎng)絡(luò)（Deepresidualnetwork,ResNet）等網(wǎng)絡(luò)。SiamRPN使用剔除了第二層（conv2）與第四層（conv4）的AlexNet網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集與Youtube-BB3數(shù)據(jù)集進行端到端的離線訓練。2018年Zhu等[55]在SiamRPN基礎(chǔ)上提出了基于干擾物感知孿生網(wǎng)絡(luò)的目標跟蹤（Distractor-awareSiameseNetworksforVisualObjectTracking,DaSiamRPN）。它在SiamRPN基礎(chǔ)上增加了正負樣本種類，引入了同類與不同類樣本，消除了樣本的不均衡問題。并且它使用了ImageNet與COCO4兩個數(shù)據(jù)集進行預訓練。同年Li等[56]提出具有深度網(wǎng)絡(luò)的進化版孿生網(wǎng)絡(luò)SiamRPN++，其對正樣本進行了隨機偏移，由此消除了padding的影響，所以基礎(chǔ)網(wǎng)絡(luò)就由AlexNet換成了更加先進的RestNet網(wǎng)絡(luò)。為取得更高的準確度與更加精細化的目標識別跟蹤，2018年Wang等[57]提出了快速在線跟蹤與分割的統(tǒng)一方法SiamMask。它加入了在跟蹤網(wǎng)絡(luò)里加入了目標分割，并且使3https://research.google.com/youtube-bb/4http://cocodataset.org/

【參考文獻】：
期刊論文
[1]深度學習的目標跟蹤算法綜述[J]. 李璽,查宇飛,張?zhí)熘?崔振,左旺孟,侯志強,盧湖川,王菡子.  中國圖象圖形學報. 2019(12)
[2]基于概率模型的自適應融合互補學習跟蹤算法[J]. 董秋杰,何雪東,葛海燕,周盛宗.  激光與光電子學進展. 2019(16)



本文編號：3347222