本文選題：目標(biāo)跟蹤 + 跟蹤-學(xué)習(xí)-檢測(cè)　； 參考：《長(zhǎng)春理工大學(xué)》2016年博士論文

【摘要】：運(yùn)動(dòng)目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)的重要研究?jī)?nèi)容,在智能監(jiān)控、精確制導(dǎo)、視覺(jué)導(dǎo)航等領(lǐng)域具有廣泛的應(yīng)用。盡管?chē)?guó)內(nèi)外研究人員對(duì)此進(jìn)行了深入研究,但運(yùn)動(dòng)目標(biāo)跟蹤依然面臨若干挑戰(zhàn)性問(wèn)題,突出表現(xiàn)在復(fù)雜條件下的目標(biāo)姿態(tài)變化、光照變化、尺度變化、背景復(fù)雜、遮擋等因素的干擾�；诖�,本文重點(diǎn)研究基于機(jī)器學(xué)習(xí)的目標(biāo)跟蹤算法,主要的研究工作如下:(1)提出了基于二值化規(guī)范梯度的TLD目標(biāo)跟蹤算法。在跟蹤器中引入基于時(shí)空上下文的局部跟蹤器失敗預(yù)測(cè)方法和全局運(yùn)動(dòng)模型評(píng)估算法,提高跟蹤精度。二值化規(guī)范梯度算法取代滑動(dòng)窗口搜索策略,結(jié)合級(jí)聯(lián)分類(lèi)器實(shí)現(xiàn)目標(biāo)檢測(cè),在保證檢測(cè)精度的前提下,減少檢測(cè)器的檢測(cè)范圍,提高了檢測(cè)速度。將訓(xùn)練樣本權(quán)重整合到在線學(xué)習(xí)過(guò)程中,提高級(jí)聯(lián)分類(lèi)器的分類(lèi)精度,解決目標(biāo)漂移問(wèn)題。實(shí)驗(yàn)結(jié)果表明,與目前主流跟蹤算法比較,在復(fù)雜條件下該算法提高跟蹤精度的同時(shí)具有更快的處理速度。(2)提出了一種基于深度學(xué)習(xí)的目標(biāo)跟蹤算法。該算法以TLD算法為框架,利用增強(qiáng)群跟蹤器對(duì)目標(biāo)進(jìn)行預(yù)測(cè)與跟蹤,提高目標(biāo)跟蹤的精度。P-N學(xué)習(xí)對(duì)樣本加權(quán)處理,提高分類(lèi)器的分類(lèi)精度。深度去噪自編碼器和sigmoid分類(lèi)器構(gòu)建深度檢測(cè)器,結(jié)合全局多尺度掃描窗口搜索策略檢測(cè)可能的目標(biāo)。深度去噪自編碼器利用無(wú)監(jiān)督特征學(xué)習(xí)優(yōu)化網(wǎng)絡(luò)參數(shù),遷移學(xué)習(xí)將學(xué)習(xí)到的信息應(yīng)用到在線跟蹤中,提取圖像的本質(zhì)特征,同時(shí)解決跟蹤過(guò)程中訓(xùn)練樣本不足的問(wèn)題。在線跟蹤過(guò)程中,利用分類(lèi)神經(jīng)網(wǎng)絡(luò)將目標(biāo)從背景中分離出來(lái),利用有監(jiān)督學(xué)習(xí)微調(diào)網(wǎng)絡(luò)參數(shù),以適應(yīng)跟蹤過(guò)程中的各種變化。使用K均值聚類(lèi)算法對(duì)在線模板集聚類(lèi),形成二值樹(shù),減少模板匹配數(shù)量,從而降低算法復(fù)雜度。實(shí)驗(yàn)結(jié)果表明,與目前主流跟蹤算法比較,在復(fù)雜條件下該算法具有更高的跟蹤精度及更好的穩(wěn)定性。(3)提出了基于增量深度學(xué)習(xí)的目標(biāo)跟蹤算法。粒子濾波算法分布粒子集,通過(guò)無(wú)監(jiān)督特征學(xué)習(xí)得到的深度去噪自編碼器提取粒子區(qū)域特征,表達(dá)圖像的本質(zhì)信息。增量特征學(xué)習(xí)優(yōu)化粒子區(qū)域特征集以適應(yīng)目標(biāo)的各種變化并實(shí)現(xiàn)粒子區(qū)域更有效的表達(dá)。增量特征學(xué)習(xí)由添加特征和整合特征兩部分構(gòu)成,添加特征引入新的特征信息,整合相似特征獲得精簡(jiǎn)的特征表示。線性支持向量機(jī)對(duì)優(yōu)化后的特征集進(jìn)行分類(lèi),得到粒子置信度,同時(shí)微調(diào)深度網(wǎng)絡(luò),將粒子置信度最高的作為跟蹤結(jié)果。引入粒子集規(guī)模自適應(yīng)調(diào)整的雙重采樣過(guò)程,解決粒子衰減和貧化問(wèn)題。實(shí)驗(yàn)結(jié)果表明,與目前主流跟蹤算法比較,在復(fù)雜條件下該算法具有更高的跟蹤精度以及更好的穩(wěn)定性。(4)針對(duì)復(fù)雜條件下基于多示例學(xué)習(xí)的跟蹤算法存在的問(wèn)題,提出了基于多示例深度學(xué)習(xí)的目標(biāo)跟蹤算法。針對(duì)原始多示例跟蹤算法中采用Haar-like特征不能有效表達(dá)圖像信息以及受到外界條件的影響很容易失效的缺點(diǎn),利用深度去噪自編碼器提取示例圖像的有效特征,實(shí)現(xiàn)圖像信息的本質(zhì)表達(dá),提高對(duì)環(huán)境變化的適應(yīng)能力。針對(duì)原始多示例學(xué)習(xí)跟蹤算法中選取弱特征向量不能更換,難以反映目標(biāo)自身和外界條件變化的缺點(diǎn),在選擇弱分類(lèi)器過(guò)程中,實(shí)時(shí)替換判別力最弱的特征以適應(yīng)目標(biāo)外觀的變化。針對(duì)原始多示例跟蹤算法中運(yùn)動(dòng)模型僅假設(shè)幀間物體運(yùn)動(dòng)不會(huì)超過(guò)某個(gè)范圍,不能有效反映目標(biāo)運(yùn)動(dòng)狀態(tài)的缺點(diǎn),引入粒子濾波算法對(duì)目標(biāo)進(jìn)行預(yù)測(cè),提高跟蹤精度。實(shí)驗(yàn)結(jié)果表明,與多示例學(xué)習(xí)跟蹤算法及其他主流跟蹤算法比較,在復(fù)雜環(huán)境下該算法提高了跟蹤精度和跟蹤的穩(wěn)定性。
[Abstract]:Moving target tracking is an important research topic in computer vision, intelligent monitoring, precision guidance, has been widely applied to the field of visual navigation. Although the domestic and foreign researchers have conducted in-depth research, but the moving target tracking is still facing some challenging problems, highlighting the target attitude changes under complex conditions, illumination changes, scale change, complex background and occlusion interference factors. Based on this, this paper focuses on the research of machine learning based target tracking algorithm, the main research work is as follows: (1) proposed two value tracking algorithm standardized TLD target. Based on gradient prediction method and global motion model evaluation algorithm of local tracker spatiotemporal context failure based on the introduction of the tracker, improve the tracking accuracy. The binarization standard gradient algorithm instead of sliding window search strategy, the target detection based on cascade classifier Guarantee the detection accuracy and reduce the detection range of the detector, the detection speed is improved. The training sample weights integrated into the online learning process, to improve the classification accuracy of cascade classifier, solve the drift problem. The experimental results show that compared with the current mainstream tracking algorithms, and improve tracking accuracy with faster processing speed in algorithm the complex conditions. (2) proposed a tracking algorithm based on deep learning target. The algorithm uses the TLD algorithm as the framework, the use of enhanced group tracker prediction and tracking of targets, improve the accuracy of target tracking.P-N learning to sample weighting processing, improve classification accuracy. The depth of self denoising encoder and sigmoid classifier construction depth detector, combining the global multi-scale scanning window search target detection strategy possible. Since the depth of denoising using unsupervised feature encoder Learning to optimize the network parameters, transfer learning will learn information applied to online tracking, the essence of image feature extraction, and solve the problems in the process of tracking samples. In the process of online tracking, classification using neural network to separate the object from the background, the use of supervised learning to fine tune the network parameters to adapt to the change in the tracking process. Clustering on online template using K clustering algorithm, the formation of two value tree, reduce the number of template matching, so as to reduce the complexity of the algorithm. The experimental results show that compared with the current mainstream tracking algorithm, tracking accuracy and stability is better in the algorithm under complex conditions (3) is proposed. The tracking algorithm of incremental deep learning targets based on particle filter algorithm. The particle distribution, through unsupervised learning characteristics of the depth of denoising from encoder regional feature extraction particle, Express the essential information of the images. The optimization of regional characteristics of the particle set to adapt to the change of target and realize regional expression of particle more effective incremental learning characteristics. Incremental feature learning by adding features and characteristics of the integration of two parts, adding new features into feature information integration, said similar features obtained streamlined linear support set on the characteristics of features. The optimized vector machine classification, particle confidence, and fine tune the depth of network, the particle will be the highest confidence as the tracking results. Double sampling process is introduced into the particle set scale adaptive, solve the particle decay and dilution. The experimental results show that compared with the current mainstream tracking algorithms, has higher tracking accuracy and better stability in the algorithm under complex conditions. (4) according to the existing tracking algorithm of multi instance learning based on problems under complex conditions, put forward The tracking algorithm based on multi instance deep learning goal. According to the original multi sample tracking using Haar-like features can not express image information and affected by external conditions easily failure algorithm, using depth denoising from encoder sample image effective feature extraction, realize the essence of image information expression, improve the change of environment the ability to adapt. For the replacement of weak feature vectors can not select the original miltracking algorithm, it is difficult to reflect the change of the target itself and external conditions in the choice of the shortcomings of weak classifier in the process of replacing the weakest feature of real-time discrimination in order to adapt to the changes of appearance of objects. According to the original sample tracking algorithm in motion model assumes only inter object exercise does not exceed a certain range, can not effectively reflect the moving state of the target faults into the particle filter algorithm in pre target Experimental results show that compared with multiple instance learning tracking algorithm and other mainstream tracking algorithms, the algorithm improves tracking accuracy and tracking stability in complex environment.

【學(xué)位授予單位】：長(zhǎng)春理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 方英武;王軼;金偉;王輝;;基于多信息融合的運(yùn)動(dòng)目標(biāo)跟蹤方法[J];光電工程;2011年08期

2 尚晉霞;;運(yùn)動(dòng)目標(biāo)跟蹤研究[J];電腦編程技巧與維護(hù);2013年12期

3 葛寶臻,張以謨,秦玉文,陳希明;自適應(yīng)運(yùn)動(dòng)目標(biāo)跟蹤實(shí)驗(yàn)[J];光電工程;1998年05期

4 葛寶臻,秦玉文,張以謨,陳希明,王項(xiàng)南;自適應(yīng)運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng)及其性能研究[J];天津大學(xué)學(xué)報(bào);1998年05期

5 李志;謝強(qiáng);;一種基于改進(jìn)粒子濾波的運(yùn)動(dòng)目標(biāo)跟蹤[J];計(jì)算機(jī)科學(xué);2014年02期

6 仝曉龍;竇騰飛;劉艷紅;;運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)綜述[J];科技創(chuàng)新與應(yīng)用;2014年18期

7 查宇飛;畢篤彥;;一種基于粒子濾波的自適應(yīng)運(yùn)動(dòng)目標(biāo)跟蹤方法[J];電子與信息學(xué)報(bào);2007年01期

8 吳樂(lè);黃東軍;;基于視頻流的運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)的研究[J];科技信息(學(xué)術(shù)研究);2008年03期

9 于勇;郭雷;;基于粒子濾波的紅外運(yùn)動(dòng)目標(biāo)跟蹤[J];計(jì)算機(jī)應(yīng)用;2008年06期

10 劉鑫;;基于投影的運(yùn)動(dòng)目標(biāo)跟蹤研究[J];電子測(cè)試;2009年03期

相關(guān)會(huì)議論文 前5條

1 查宇飛;張育;畢篤彥;;一種基于粒子濾波的自適應(yīng)運(yùn)動(dòng)目標(biāo)跟蹤方法[A];第十二屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

2 單穎;張菁;郭茂祖;;基于視頻序列的運(yùn)動(dòng)目標(biāo)跟蹤方法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

3 王景中;劉凱;;基于圖像灰度特征的運(yùn)動(dòng)目標(biāo)跟蹤實(shí)現(xiàn)[A];2011年全國(guó)通信安全學(xué)術(shù)會(huì)議論文集[C];2011年

4 龔偉;史元春;陳孝杰;;基于雙攝像機(jī)的平面運(yùn)動(dòng)目標(biāo)跟蹤[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

5 蘇迎婭;趙清杰;郭偉;王博;;基于視覺(jué)顯著性的突變運(yùn)動(dòng)目標(biāo)跟蹤[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 仝小敏;航拍視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究[D];西北工業(yè)大學(xué);2015年

2 程帥;復(fù)雜條件下運(yùn)動(dòng)目標(biāo)跟蹤方法的研究[D];長(zhǎng)春理工大學(xué);2016年

3 牛長(zhǎng)鋒;復(fù)雜背景下視頻運(yùn)動(dòng)目標(biāo)跟蹤的研究[D];北京理工大學(xué);2010年

4 文志強(qiáng);基于均值偏移算法的運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)的研究[D];中南大學(xué);2008年

5 陳愛(ài)斌;基于視覺(jué)的運(yùn)動(dòng)目標(biāo)跟蹤方法研究[D];中南大學(xué);2010年

6 王得軍;視頻中運(yùn)動(dòng)目標(biāo)跟蹤的關(guān)鍵算法研究[D];華中科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 呂恒利;基于SIFT與粒子濾波結(jié)合的運(yùn)動(dòng)目標(biāo)跟蹤方法研究[D];昆明理工大學(xué);2015年

2 翟明;基于特征匹配與卡爾曼預(yù)測(cè)的多目標(biāo)跟蹤算法研究[D];東北大學(xué);2014年

3 高雅;視頻監(jiān)控中遮擋條件下多運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)研究[D];東北大學(xué);2014年

4 易曉倩;艦載多目視覺(jué)空中運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

5 張雷;視頻中運(yùn)動(dòng)目標(biāo)的跟蹤方法研究[D];江南大學(xué);2016年

6 謝愛(ài)玲;井下運(yùn)動(dòng)目標(biāo)跟蹤及預(yù)警方法研究[D];西安科技大學(xué);2015年

7 逯彥;基于視頻序列的運(yùn)動(dòng)目標(biāo)跟蹤與識(shí)別[D];西安科技大學(xué);2015年

8 寇思瑋;基于特征配準(zhǔn)的運(yùn)動(dòng)目標(biāo)跟蹤與識(shí)別技術(shù)研究[D];西安科技大學(xué);2015年

9 孫富;基于云計(jì)算的視頻處理技術(shù)研究及其應(yīng)用[D];南京郵電大學(xué);2016年

10 劉崇文;雙側(cè)學(xué)習(xí)與粒子濾波在運(yùn)動(dòng)目標(biāo)跟蹤的應(yīng)用[D];重慶大學(xué);2010年

，

本文編號(hào)：1768778