结合深度图像表示的相关滤波跟踪方法研究

发布时间：2020-12-11 05:36

　　视频在信息社会中正扮演着越来越重要的角色,从信息的丰富程度来看,视频要远远超过文字或图像。人们日常生活产生的视频数量正以惊人的速度增加。视频网站自然希望能够实现视频内容的自动化分析,从而挖掘潜在的商业价值。视觉目标跟踪正是这一技术的关键点之一。过去的研究工作使用了大量的机器学习方法来尝试解决这个问题,也取得了一定的进展。然而实际场景下拍摄的视频比较复杂,跟踪器饱受视频中存在的抖动模糊、画面分辨率低、光照强度变化等因素的影响,长时间对目标的稳定跟踪面临很大的挑战性。本文在近期流行的相关滤波跟踪框架上进行了一系列改进,提出了两种新的跟踪方法。相关滤波器能够高效地利用大量的样本在线训练,非常适合实时跟踪。但是经典的相关滤波跟踪器仍然存在着定位精度不高、易跟丢等不足,针对这些问题本文提出了以下创新性成果。对于传统的单模型方案,跟踪器难以迅速适应目标的外观变化,即使能勉强跟踪上目标,输出的预测框准确度也不高。本文提出了一种长短时双模型融合的跟踪方法,在原有的长时模型之外,另外学习一个短时的模型。短时模型只用与当前帧相邻的帧训练,目标在这些帧里高度相似,容易和背景或干扰物区分开来。长时模型做二分类... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图１．１几种影响跟踪的因素??

相关和卷积类似，只是不需要翻转，所以在滤波器的核是左右对称的情况下，它??们是一样的。卷积之前需要对样本进行循环位移，通过这一步，我们就得到了一个样??本所有平移组合的副本，如图２．１所示。因此，即便在仅提供一个搜索域的情况下，??相关滤波器也能产生大量的训练样本，减缓了在线学习中的过拟合问题。时域的卷积??在频域里就是点乘，为了效率，通常先将输入变换到频域再计算，相关操作的形式为：??■?■■ＥＨ??＋３０?＋１５?基准样本?－１５?－３０??图２．］样本垂直方向上的循环位移??９??

目标的外观在视频中是持续变化的，其在视频不同时段表现出的状态往往有所??区别，因此单个模型难以识别所有情况。加上训练时用的参考响应是二维高斯状的，??有些地方的标签是错误的（如图２．２所示），所以即便我们跟踪的是一个变化很小的刚??性物体，也不免要引入很多背景噪声。随着目标的移动，训练中引入的噪声会越来越??多，模型甄别目标和非目标的能力也会逐渐下降。这与我们的观测结果是一致的，长??时模型对目标的响应会很快降低到一个低的水平，如图２．３所示。当越来越多帧被用??于训练时，长时模型会变得更像一个粗二分类器，更多地关注目标的语义信息，而训??练样本中的差异和噪声降低了它分辨目标空间细节的能力。??我们还发现，目标在连续几帧中的外观基本相同，背景也遵循这样的规律。因此??很直接的一个想法就是再引入一个短时模型。不同于长时模型，短时模型是用最近几??帧的样本训练的，对目标的响应始终保持在较高的水平。但是短时模型也


本文编号：2909991