结合卷积神经网络的相关滤波跟踪算法研究

发布时间：2020-07-25 21:24

【摘要】：通用视觉目标跟踪是计算机视觉中的一个非常重要而且活跃的研究领域,并在视频监控,人机交互和自动驾驶等场景中有着广泛的应用。一直以来,国内外的研究人员针对目标跟踪问题提出了大量的解决方法,其中基于相关滤波的方法以高效的运行效率著称,并在近年来受到越来越多的关注。当前绝大部分的研究工作通过改进相关滤波算法获得了准确率性能的提升,但是却极大地降低了算法运行效率。本文深入剖析并揭示了相关滤波跟踪算法存在的不足,并提出结合卷积神经网络来有效解决这些问题,最终实现又好又快的目标跟踪算法。本文实现了两种结合卷积神经网络的相关滤波跟踪算法,主要工作包括:第一,结合孪生网络的相关滤波跟踪算法。首先,在相关滤波算法中,滤波器需要进行在线更新来适应视频中目标外观的动态变化。目前绝大多数算法直接将每一帧的跟踪结果用于滤波器更新,因此当目标受到严重遮挡的时候,更新后的滤波器会对背景过拟合。针对这个问题,本文通过使用孪生网络对跟踪结果进行评价,实现了一个鲁棒的滤波器自适应更新策略。然后,经典的相关滤波算法虽然有着高效的运行效率,但是却因受到边缘效应的影响,只能在有限的搜索区域内进行目标的检测。另外由于手工特征的使用,这些算法在遇到目标快速运动和相似背景干扰的时候,常常会出现跟踪失败。针对这些不足,本文提出了一个多峰检测策略。这个策略通过自适应地产生候选目标并用孪生网络进行验证,可以有效减少由于搜索区域小和特征表达能力弱而导致的跟踪失败问题。最后,本文提出在目标跟踪过程中在线构建一个模板库。相比于只用一个固定的模板,多样化的模板库可以使得孪生网络拥有更加准确的分辨能力。第二,背景感知的相关滤波网络。相关滤波跟踪框架主要包含特征表达和滤波器学习两部分。而在特征表达方面,手工特征或者其他任务中训练好的卷积特征被绝大多数的相关滤波算法所使用。本文考虑将特征表达和滤波器进行联合学习,目的是为滤波器学习到具有针对性的特征表达。具体来说,我们构建一个卷积神经网络,并将滤波器解释成网络中的一个具有可微分性质的层,称为相关滤波层,然后就可以通过反向传播对网络进行端到端训练,学习到针对滤波器的卷积特征表达。相比于使用经典的滤波器作为相关滤波层,本文提出使用更高级的滤波器,最后得到一个背景感知的相关滤波网络用于实现目标跟踪。在权威数据集OTB-13和OTB-15上的大量对比实验结果表明,本文提出的两种结合卷积神经网络的相关滤波跟踪算法均实现了优越的跟踪准确率性能,并保持了远超实时的跟踪速度。在OTB-15上,结合孪生网络的相关滤波跟踪算法取得了61.3%的AUC分数,相比于基准跟踪算法获得了12.3%的相对提升;背景感知的相关滤波网络取得了62.6%的AUC分数,相比于基准跟踪算法获得了11.0%的相对提升。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TN713
【图文】：

单目标跟踪示例

目标跟踪面临的挑战示例

正负样本示例

【相似文献】

相关期刊论文 前10条

1 张红颖;王汇三;胡文博;;基于双模型的相关滤波跟踪[J];光学精密工程;2019年11期

2 王丹玲;鲁永泉;贾笑捷;张勤;;实时粒子滤波跟踪算法及其实现[J];系统仿真学报;2009年18期

3 王译萱;吴小俊;;基于深度特征与局部约束掩膜的相关滤波跟踪算法[J];数据采集与处理;2019年05期

4 柏柯嘉;;一种改进的粒子滤波跟踪算法[J];计算机工程;2010年18期

5 吴夺明;蒋蓁;魏衍侠;;基于视觉显著性的灰色粒子滤波跟踪方法[J];计量与测试技术;2017年02期

6 伦云飞;陈书杨;;基于多特征的粒子滤波跟踪算法[J];计算机光盘软件与应用;2013年14期

7 陈善静;杨华;曾凯;张红;王一程;;基于遗传算法的粒子滤波跟踪算法[J];光电工程;2010年10期

8 张博;江沸菠;刘刚;刘红平;;快速尺度支持相关滤波跟踪[J];液晶与显示;2019年06期

9 何希平;张琼华;;综合颜色与梯度方向特征的粒子滤波跟踪[J];计算机科学;2012年S1期

10 马加庆;韩崇昭;;一类基于信息融合的粒子滤波跟踪算法[J];光电工程;2007年04期

相关会议论文 前7条

1 高丙坤;李文超;王帅;;一种改进的粒子滤波跟踪算法[A];第二十九届中国控制会议论文集[C];2010年

2 吴川;;基于DSP平台的粒子滤波跟踪算法的实现[A];第八届全国信息获取与处理学术会议论文集[C];2010年

3 修春波;何慧尧;;基于显著性直方图的粒子滤波跟踪[A];2015光学精密工程论坛论文集[C];2015年

4 金挺;周付根;白相志;;一种简单有效的特征融合粒子滤波跟踪算法[A];2007年光电探测与制导技术的发展与应用研讨会论文集[C];2007年

5 刘元元;刘华平;高蒙;孙富春;孟丽霞;;GPU加速的在线K均值聚类粒子滤波跟踪算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

6 雷振达;马春草;;粒子滤波跟踪算法研究[A];2014第二届中国指挥控制大会论文集（上）[C];2014年

7 孙伟平;冯庆;向金海;余胜生;;基于局部模型的视频目标跟踪[A];第八届和谐人机环境联合学术会议（HHME2012)论文集NCMT[C];2012年

相关博士学位论文 前6条

1 朱明清;基于粒子滤波的鲁棒视觉目标跟踪算法研究[D];中国科学技术大学;2011年

2 邹腾跃;复杂环境目标检测与跟踪关键技术研究及应用[D];华中科技大学;2013年

3 曹蓓;粒子滤波改进算法及其应用研究[D];中国科学院研究生院(西安光学精密机械研究所);2012年

4 代江华;粒子滤波架构下视觉目标跟踪相关技术研究[D];华中科技大学;2014年

5 徐治非;视频监控中运动目标检测与跟踪方法研究[D];上海交通大学;2009年

6 相入喜;复杂环境下的目标跟踪算法研究[D];重庆大学;2012年

相关硕士学位论文 前10条

1 潘耿政;结合卷积神经网络的相关滤波跟踪算法研究[D];华南理工大学;2019年

2 陈国春;背景感知的相关滤波跟踪算法研究[D];华南理工大学;2019年

3 丁传勇;基于高斯先验及弹性网约束的多模板相关滤波跟踪算法研究[D];安徽大学;2019年

4 吴昭童;基于相关滤波的目标稳定跟踪技术研究[D];中国科学院大学(中国科学院光电技术研究所);2019年

5 望少建;基于相关滤波的视觉目标跟踪[D];西安电子科技大学;2018年

6 邓雨;基于深度特征的相关滤波跟踪研究[D];中南民族大学;2018年

7 李明郎君;结合深度图像表示的相关滤波跟踪方法研究[D];西安电子科技大学;2018年

8 马晓楠;电视导引头相关滤波跟踪算法研究[D];南京理工大学;2017年

9 倪杰;基于核相关滤波跟踪算法的研究与实现[D];电子科技大学;2017年

10 施睿;融合上下文信息的相关滤波跟踪算法研究[D];华南理工大学;2017年

本文编号：2770389