基于深度卷积特征的相关滤波视觉跟踪算法研究

发布时间：2020-10-10 19:40

　　 计算机视觉跟踪技术在智能交通、监控、人机交互等领域有着广泛的应用,随着计算机性能的不断提升,以及人工智能等技术的快速发展,视觉跟踪技术也取得了长足的进步。然而现有的跟踪算法在遇到复杂环境变化,以及目标自身表观模型的改变时,存在高精度的跟踪算法不易满足实时性要求,快速的跟踪算法的精度不高的问题。因此本文结合深度学习和相关滤波视觉跟踪框架,以保证实时跟踪为前提,尽可能提升跟踪的精度为目标,从深度卷积特征选取、相关滤波模型训练、目标位置预测、模型更新四个方面进行算法改进,提出了四种视觉跟踪算法,其主要工作如下:(1)为减少深度卷积特征的冗余性,提高算法速度和精度,设计了一种自适应卷积特征选择算法。该算法利用目标区域与搜索区域的特征均值比对卷积层和卷积通道进行评估,选择有效卷积特征进行目标跟踪。在OTB-100数据集上对该算法进行了测试,平均距离精度达86.4%,速度达29.9帧/秒,满足实时跟踪的要求。(2)为充分利用不同卷积层特征的优势,设计了一种自适应卷积特征切换跟踪算法。该算法选用了跟踪性能较好的两层中高层卷积特征,使用自适应卷积特征选择算法减少卷积通道数,同时利用峰旁比选择每一帧适合的单层卷积特征进行跟踪,保证实时跟踪的前提下提升了跟踪的准确度。在OTB-100数据集上进行测试,跟踪的平均距离精度达89.3%,平均速度为25.8帧/秒,提升了跟踪精度,达到实时跟踪的要求。(3)根据每个卷积通道的不同特性,提出了一种基于通道可靠性加权的精定位跟踪算法。该算法先选取适合目标跟踪的单层卷积特征,利用自适应卷积特征选择算法选取有效卷积特征,减少特征的维度,提高跟踪速度;然后为了避免卷积特征层数和通道数减少对跟踪精度的影响,构造了通道加权相关滤波算法提高目标跟踪精度,并利用峰旁比评估目标定位的可靠性,通过帧差均值最小化精定位算法抑制累积误差,提升定位准确性。在OTB-100数据集上对算法进行测试,平均距离精度为91.3%,跟踪速度达31.9帧/秒,进一步提高了跟踪的精度和速度。(4)为了提升算法整体的鲁棒性,提出了基于通道裁剪的连续卷积跟踪算法。该算法选用裁剪的卷积模型提高卷积特征的计算速度,对选取的卷积特征进行通道裁剪,减少卷积特征的维度,同时融合梯度直方图和颜色属性特征,在连续卷积相关滤波框架下进行跟踪,采用自适应迭代方法减少精定位迭代次数,提升跟踪的实时性。在OTB-2013、OTB-2015、VOT-2016和VOT-2017数据集上对提出的算法进行了测试,在OTB-100上的跟踪精度达到了93.8%,进一步提升了跟踪算法的精度和稳定性。
【学位单位】：北方工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U495
【部分图文】：

第二章自适应卷积特征选择跟踪算法??提取到的所有特征中只有卷积层和池化层输出的可用于相关滤波跟踪，因此可剪??去全连接层。如图２－１所示即为目标图像通过ＶＧＧ－１９模型［３７］提取出的ｐｏｏｌ４和??Ｃ〇ｉｗ５－３层的特征经过余弦窗处理后的可视化图，可以看出不同卷积层得到的卷??积特征所表达的信息不同，偏低层的Ｐ〇〇１４层特征包含目标更多的空间结构信息，??且分辨率较高，随着网络的深度增加，更深层的特征更加抽象，包含目标更多的??语义信息，在视觉跟踪过程中目标的空间结构信息更有利于区别类内差异，目标??的语义信息更有利于区别目标类间的差异，目标的运动属于随机的、不确定的过??程，因此既需要区别目标类内的差异，也需要区别目标类间的差异。??图２－１图片在不同卷积层的特征信息表达??现有使用卷积特征的相关滤波跟踪算法，为充分利用不同卷积层特征的优??势

第二章自适应卷积特征选择跟踪算法??提取到的所有特征中只有卷积层和池化层输出的可用于相关滤波跟踪，因此可剪??去全连接层。如图２－１所示即为目标图像通过ＶＧＧ－１９模型［３７］提取出的ｐｏｏｌ４和??Ｃ〇ｉｗ５－３层的特征经过余弦窗处理后的可视化图，可以看出不同卷积层得到的卷??积特征所表达的信息不同，偏低层的Ｐ〇〇１４层特征包含目标更多的空间结构信息，??且分辨率较高，随着网络的深度增加，更深层的特征更加抽象，包含目标更多的??语义信息，在视觉跟踪过程中目标的空间结构信息更有利于区别类内差异，目标??的语义信息更有利于区别目标类间的差异，目标的运动属于随机的、不确定的过??程，因此既需要区别目标类内的差异，也需要区别目标类间的差异。??图２－１图片在不同卷积层的特征信息表达??现有使用卷积特征的相关滤波跟踪算法，为充分利用不同卷积层特征的优??势

第二章自适应卷积特征选择跟踪算法??方式随机舍弃部分神经元，而神经元与每个通道的特征有着紧密的联系，因此会??出现图２－３左侧图（该图为ｐ〇〇１４层５１２个通道特征经过余弦窗处理后的可视化??图）中所示的部分空白特征，该类空白特征会影响跟踪的实时性。??疆鼸圜關鬮鼷鼷｜ＳＵ關關鼸Ｐ顆關??Ｈ圜圜議園釀■靈圔圔罌■?ｇ＿圔圔鼷麵钃薩■鱺■圏國鼸麵圔??鼸圃ｉｉ■團鼸ａ匾驪＿画０圔圔圔■■鱷圔圔〇圃＿齷鱷１圔??議ｓｉ誦園鬮＿１１鼸圜鼷圔鼷圔議鼴??Ｉ?ｉｌｌ?ｉｌｌ???隱鼷黷圔驪ＩＩＩ隱纖蹶＿—＿＿??图２－３自适应卷积特征通道选择前后对比图??在构建相关滤波跟踪模型时，目标特征的提取与选择对目标跟踪的准确性起??着至关重要的作用，当目标特征表征能力强，维度低时可提升相关滤波跟踪算法??定位的准确性和高效性，当目标特征包含的冗余特征较多，维度过大时不仅会降??低定位的准确性，而且会影响分类器训练的高效性。为了解决上述问题，提升卷??积特征的高效性，需要对卷积特征进行选择。现有的常用的降维方式有主成分分??析［１７］?（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ，ＰＣＡ）和因式分解法【２７］，上述两种方法可??有效的降低卷积特征的维度
【相似文献】

相关期刊论文 前10条

1 ;中国学者在视觉跟踪领域取得重要进展[J];模式识别与人工智能;2019年02期

2 孙巧;张胜修;扈晓翔;梅江元;;和声搜索粒子滤波视觉跟踪[J];哈尔滨工业大学学报;2018年04期

3 毕齐林;刘志军;徐虎;唐振宇;唐惠玲;许智敏;;线结构光辅助式焊缝视觉跟踪中图像分割方法研究[J];科学家;2017年09期

4 王哲;;视觉跟踪 用眼睛使用的“鼠标”[J];电脑爱好者;2007年07期

5 席文明,罗翔,朱剑英;基于约束卡尔曼滤波器预测的视觉跟踪研究[J];南京航空航天大学学报;2002年06期

6 刘铁根,蔡怀宇,张以谟,路登平,胡绳荪,张凤林;一种埋弧焊视觉跟踪系统(英文)[J];光电工程;1999年06期

7 宋丽丹;;运动视觉跟踪电子设备的改进设计[J];现代电子技术;2017年24期

8 万欣;张春辉;张琳;周凡;;加权全局上下文感知相关滤波视觉跟踪算法[J];计算机工程与应用;2018年16期

9 宋涛;李鸥;刘广怡;崔弘亮;;基于改进协作目标外观模型的在线视觉跟踪[J];电子学报;2017年02期

10 王卫;金立左;;基于DSP+FPGA视觉跟踪平台的设计与实现[J];工业控制计算机;2015年03期

相关博士学位论文 前10条

1 胡丹;面向视觉跟踪的深度学习模型设计与优化研究[D];西北工业大学;2017年

2 黄达飞;高性能视觉跟踪关键技术研究[D];国防科学技术大学;2017年

3 孙冲;基于结构化判别模型的视觉跟踪算法研究[D];大连理工大学;2018年

4 王其聪;复杂观测条件下的基于粒子滤波的视觉跟踪[D];浙江大学;2007年

5 王法胜;复杂场景下的单目标视觉跟踪算法研究[D];大连海事大学;2014年

6 王栋;基于线性表示模型的在线视觉跟踪算法研究[D];大连理工大学;2013年

7 温静;基于张量子空间学习的视觉跟踪方法研究[D];西安电子科技大学;2010年

8 袁庆曙;数字化互动陈展技术与系统研究[D];浙江大学;2009年

9 邱家涛;电子稳像算法和视觉跟踪算法研究[D];西安电子科技大学;2013年

10 王娟;复杂场景中的目标跟踪优化算法研究[D];燕山大学;2014年

相关硕士学位论文 前10条

1 车满强;基于深度卷积特征的相关滤波视觉跟踪算法研究[D];北方工业大学;2019年

2 梁欣妍;面向多模态视觉跟踪的鲁棒目标表示模型研究[D];安徽大学;2019年

3 林智聪;基于FPGA的无人机视觉跟踪系统的研究[D];哈尔滨工业大学;2017年

4 贺章平;基于卷积神经网络的行人重识别与视觉跟踪研究[D];西安电子科技大学;2017年

5 鲁国智;基于嵌入式系统的视觉跟踪算法研究[D];杭州电子科技大学;2018年

6 刘红艳;基于Attention-LSTM模型的移动目标跟踪技术研究[D];华北电力大学;2018年

7 解秀亮;天车机器人模型构建及吊钩轨迹视觉跟踪研究[D];华北理工大学;2018年

8 叶维扬;基于单目视觉的非合作目标视觉跟踪定位技术研究[D];江苏科技大学;2018年

9 戴蔼佳;基于显著性纠偏的深度回归网络视觉跟踪算法[D];华中科技大学;2017年

10 董帅含;基于时空上下文学习的视觉跟踪研究[D];辽宁工程技术大学;2018年

本文编号：2835501