基于孪生网络的目标跟踪算法及其在舰船场景中的应用研究
发布时间：2020-04-17 08:38
【摘要】：目标跟踪是计算机视觉的一个重要研究领域,近些年来不断有各种优秀的跟踪算法涌现,跟踪领域的研究取得了丰硕的成果。但是大多数跟踪准确度高的算法,却在跟踪速度方面表现不佳,在应用场景中难以达到实时跟踪的要求。本文研究目标是实现跟踪算法准确度和速度的平衡,即在实时性跟踪的前提下使跟踪准确度达到先进水平。为了达到这个研究目标,本文深入地研究了基于孪生网络的目标跟踪算法,并在其基础上融入了相关滤波方法、加入了级联分类器实现重检测,成功结合了深度神经网络特征判别度高和相关滤波速度快两大优点,在保证实时跟踪的前提下大大提高了跟踪准确度。本文的主要工作以及创新点总结如下:(1)提出了基于孪生网络加相关滤波和重检测的通用场景目标跟踪算法。对基于全卷积孪生网络的目标跟踪算法进行改进,优化了孪生结构中上下支路子网络的结构,融入了相关滤波,加入了重检测模块,提出了基于孪生网络加相关滤波和重检测的跟踪算法,最后在通用目标评估基准OTB-2013(Online Tracking Benchmark2013)上进行了大量对比实验,并做了定量和定性分析。实验结果表明,该算法成功平衡了跟踪准确度和速度,在保证跟踪速度达到实时性的前提下,跟踪准确度也达到了先进水平。(2)将孪生网络应用到海面舰船目标跟踪场景。将基于孪生网络加相关滤波和重检测的通用场景目标跟踪算法应用到舰船跟踪场景,在模型离线训练过程中使用了大量人工标注的舰船视频序列,同时针对舰船适航特点,使用了海天线提取技术缩小了目标搜索区域,优化了重检测频率,最后针对目前尚无公开的舰船场景跟踪评价基准的情况,本文建立了 Ship Benchmark来进行算法的测试对比与分析,验证了孪生网络应用在舰船跟踪场景下的有效性。
【图文】：
Ｓｕｍｉｔ邋Ｃｈｏｐｒａ等［２］在２００５年提出用孪生网络处理面部识别，比较两幅图片是不逡逑是同一个人，首先通过一个函数将两个输入映射到目标空间，再在该空间中来做逡逑相似度对比操作，相似度判断的指标使用的是欧式距离等。如图１．邋１所示，Ｓｅｒｇｅｙ逡逑２＆§0１＇１１作0等［３］在ＣＶＰＲ邋２０１５上提出了使用卷积神经网络来比较两个图像块，他逡逑们用孪生网络的两个分支分别处理两个单通道灰度图像块，再将两个单通道的数逡逑据合成一个双通道矩阵，然后把这个矩阵数据作为判别层网络的输入，最终提高逡逑了比较精度。Ｐａｕｌ邋Ｎｅｃｕｌｏｉｕ等［４］研宄了一种用于学习可变长度字符相似度的孪逡逑生架构，该模型将字符级双向ＬＳＴＭ邋（Ｌｏｎｇ邋Ｓｈｏｒｔ－Ｔｅｒｍ邋Ｍｅｍｏｒｙ）网络与孪生结逡逑构相结合，通过仅使用关于字符串对之间的相似性的信息，学习将可变长度字符逡逑串投影到固定维嵌入空间中，，该模型应用在基于手工注释分类的职位标准化任务逡逑中，使得一个小的数据集被逐渐扩大并增加新的方差来源。同时该模型学习了一逡逑种对反映语义差异的输入差异的有选择性表示
第一章绪论逡逑图１．２反映了通用场景目标跟踪的整体研究现状，其中列举出了具有代表性逡逑的跟踪算法、算法提出时间，以及常见的通用场景目标跟踪数据集。总体来说，逡逑通用场景目标跟踪算法的发展可以划分为４个阶段。逡逑．；：：，：邋，邋ＬＣ？（２Ｃ１５）逡逑Ｋｃｒ－ｉｍｍ逡逑Ｄｏ？ｐＳｆ？Ｃｆ｛Ｚａｉｉ？）逡逑；；：Ｃ－ＣＯＴ（２８ｉＳｉ逡逑相关滤波类咖《咖．１逡逑ＧＯＴＵＲＮＪ２０１Ｑ｝逦＇逦￡＿靡，逦ｔＭＣ啊７＞逡逑８Ａ＾０１６）逦＾逦Ｖ邋kxＷ邋＼逡逑ＭＤＮｅｔ｛２３１Ｓ｝邋ＣＭＨ邋ＳＶＭ｛２０１５）逦＇逦１逦ＣＦ？４Ｚ０ｉＳＪ逡逑ＴＣｆｔｉＭ？０１６｝哪城峨峨~柲悖掊义希粒模危幔樱ǎ玻埃保浚╁危茫遥裕ǎ罚埃保叮╁危伲茫危危玻妫椋蓿╁危茫裕ǎ玻埃椋玻叔义希茫遥拧辏裕ǎ玻埃保罚╁危疲茫裕玻埃祝╁义希疲茫停罚ǎ玻埃椋椋╁义希樱裕茫裕迹玻埃保樱╁危掊危停龋牛停ǎ玻茫眨╁义稀惧义希希茫希裕ǎ玻福椋澹惧澹希澹澹穑樱遥模茫颍ǎ玻幔椋担В蓿迳疃妊袄啵海蝈澹蝈纹潢ɡ噱义希牛茫希唬玻埃椋罚危澹鳎欤麇澹危掊澹螅澹掊澹煎澹螅殄澹觯危危у澹模粒裕妫椋茫欤樱╁义希剩藻澹剩珏危慑危樱粒瑁簦澹。ǎ玻埃保叮╁义希樱希模蹋裕ǎ玻模欤樱危ュ危遥裕裕剩玻埃保叮╁义希模蹋裕玻茫保常椋蓿义希鳎荆ǎ
本文编号：2630668
【图文】：
Ｓｕｍｉｔ邋Ｃｈｏｐｒａ等［２］在２００５年提出用孪生网络处理面部识别，比较两幅图片是不逡逑是同一个人，首先通过一个函数将两个输入映射到目标空间，再在该空间中来做逡逑相似度对比操作，相似度判断的指标使用的是欧式距离等。如图１．邋１所示，Ｓｅｒｇｅｙ逡逑２＆§0１＇１１作0等［３］在ＣＶＰＲ邋２０１５上提出了使用卷积神经网络来比较两个图像块，他逡逑们用孪生网络的两个分支分别处理两个单通道灰度图像块，再将两个单通道的数逡逑据合成一个双通道矩阵，然后把这个矩阵数据作为判别层网络的输入，最终提高逡逑了比较精度。Ｐａｕｌ邋Ｎｅｃｕｌｏｉｕ等［４］研宄了一种用于学习可变长度字符相似度的孪逡逑生架构，该模型将字符级双向ＬＳＴＭ邋（Ｌｏｎｇ邋Ｓｈｏｒｔ－Ｔｅｒｍ邋Ｍｅｍｏｒｙ）网络与孪生结逡逑构相结合，通过仅使用关于字符串对之间的相似性的信息，学习将可变长度字符逡逑串投影到固定维嵌入空间中，，该模型应用在基于手工注释分类的职位标准化任务逡逑中，使得一个小的数据集被逐渐扩大并增加新的方差来源。同时该模型学习了一逡逑种对反映语义差异的输入差异的有选择性表示
第一章绪论逡逑图１．２反映了通用场景目标跟踪的整体研究现状，其中列举出了具有代表性逡逑的跟踪算法、算法提出时间，以及常见的通用场景目标跟踪数据集。总体来说，逡逑通用场景目标跟踪算法的发展可以划分为４个阶段。逡逑．；：：，：邋，邋ＬＣ？（２Ｃ１５）逡逑Ｋｃｒ－ｉｍｍ逡逑Ｄｏ？ｐＳｆ？Ｃｆ｛Ｚａｉｉ？）逡逑；；：Ｃ－ＣＯＴ（２８ｉＳｉ逡逑相关滤波类咖《咖．１逡逑ＧＯＴＵＲＮＪ２０１Ｑ｝逦＇逦￡＿靡，逦ｔＭＣ啊７＞逡逑８Ａ＾０１６）逦＾逦Ｖ邋kxＷ邋＼逡逑ＭＤＮｅｔ｛２３１Ｓ｝邋ＣＭＨ邋ＳＶＭ｛２０１５）逦＇逦１逦ＣＦ？４Ｚ０ｉＳＪ逡逑ＴＣｆｔｉＭ？０１６｝哪城峨峨~柲悖掊义希粒模危幔樱ǎ玻埃保浚╁危茫遥裕ǎ罚埃保叮╁危伲茫危危玻妫椋蓿╁危茫裕ǎ玻埃椋玻叔义希茫遥拧辏裕ǎ玻埃保罚╁危疲茫裕玻埃祝╁义希疲茫停罚ǎ玻埃椋椋╁义希樱裕茫裕迹玻埃保樱╁危掊危停龋牛停ǎ玻茫眨╁义稀惧义希希茫希裕ǎ玻福椋澹惧澹希澹澹穑樱遥模茫颍ǎ玻幔椋担В蓿迳疃妊袄啵海蝈澹蝈纹潢ɡ噱义希牛茫希唬玻埃椋罚危澹鳎欤麇澹危掊澹螅澹掊澹煎澹螅殄澹觯危危у澹模粒裕妫椋茫欤樱╁义希剩藻澹剩珏危慑危樱粒瑁簦澹。ǎ玻埃保叮╁义希樱希模蹋裕ǎ玻模欤樱危ュ危遥裕裕剩玻埃保叮╁义希模蹋裕玻茫保常椋蓿义希鳎荆ǎ
本文编号：2630668
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/2630668.html
