基于核相关滤波框架的跟踪算法研究

发布时间：2021-02-13 02:31

　　目标跟踪存在着许多影响因素,导致算法的跟踪效果达不到预期。为实现更加精确、鲁棒的目标跟踪,本文在核相关滤波跟踪框架的基础上,结合近年优秀的跟踪算法和深度学习领域相关的知识,针对跟踪中出现的问题和不足,主要做了如下的工作。针对传统特征的片面性,传统跟踪模型对于跟踪漂移问题检测手段和补救措施的缺乏等问题,本文提出了一种残差深度特征和漂移检测的核相关滤波跟踪算法。通过卷积神经网络提取分层特征,在卷积神经网络加入残差结构,连接不同的网络层,实现浅层特征和深层特征的融合。不需要人为设计特征融合方式,网络结构能够自动实现特征融合的功能。用深度特征区分目标和背景,比传统特征更具有分辨力,跟踪结果更精确;为了判断跟踪过程中模型是否发生漂移,设计了响应强度下降计数器,每一帧根据计数器的数值判断是否出现模型漂移,并采取相对应的模型更新方案作为补救措施。响应强度下降计数器检测模型漂移的策略能够处理不同场景下跟踪目标的任务,实现鲁棒跟踪。残差深度特征和漂移检测的核相关滤波跟踪算法在OTB数据集上验证,取得了一定的预期效果。针对目标跟踪算法中关于目标特征的表达问题,传统特征表达没有深度特征有效,但是单一分辨率的... 

【文章来源】：南京信息工程大学江苏省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

目标跟踪中的挑战视频样例

南京信息工程大但是 DSST 算法关于预测尺度变化依然位置滤波器预测位置要求很高，由于尺度滤而且两者是独立的，相比于 MOSSE 跟踪算尺度的预测，花费时间颇高。2.2 基于深度学习的目标跟踪算法以深度学习为基础的目标跟踪算法是近的特征学习能力得到的深度特征，相比于传标遮挡，形变等难点时，深度特征依然能够深度特征是通过深度神经网络提取得到的，经网络来进行说明提取深度特征的流程，下卷积层输入图片 池化层

第二章 目标跟踪的算法研究2.2.1 多域学习的卷积神经网络目标跟踪多域学习的卷积神经网络目标跟踪算法(Learning Multi-Domain ConvolutionalNeural Networks for Visual Tracking，简记为 MDNET)使用卷积神经网络进行端到端的分类和跟踪任务，将分类和跟踪两个任务融合进同一个网络中，减少网络结构，同时运用多域学习的方式，能够正确的将背景和目标进行分类。将跟踪任务转为分类任务，区分目标和背景。同时，对于区分背景和目标，浅层特征含有更大的分辨率，更有利于区分目标和背景， MDNET 采用浅层网络进行特征提取。跟踪是一个实时任务，简单的浅层网络能够更有效率的完成工作。下面图 2-4 将介绍 MDNET 算法的网络结构，同时说明多域学习的方法。Conv1特征图输入图片 Conv2 Conv3 Fc4 Fc5

【参考文献】：
期刊论文
[1]基于大数据的智慧城市建设研究[J]. 王柯.  数码世界. 2018(03)
[2]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋.  模式识别与人工智能. 2018(01)
[3]计算机视觉研究综述[J]. 倪晨旭.  电子世界. 2018(01)
[4]人工智能:从科学梦到新蓝海——人工智能产业发展分析及对策[J]. 朱巍,陈慧慧,田思媛,王红武.  科技进步与对策. 2016(21)
[5]计算机视觉及其应用[J]. 周国清,唐晓芳.  中国计算机用户. 1996(08)

硕士论文
[1]智能监控系统中运动目标检测跟踪的研究[D]. 郝菲.北京交通大学 2009



本文编号：3031826