基于卷积神经网络的粒子滤波跟踪算法

发布时间：2021-10-25 05:00

　　目标跟踪是计算机视觉重要的研究方向之一,在航天、监控、生物医学等多种领域有着广泛应用。目标跟踪任务旨在实现对含有光照变化、遮挡等挑战的视频中指定目标进行持续地定位和自适应标注形状。本文通过分析目标跟踪算法的研究现状,针对如何提升粒子滤波跟踪算法的精确度和如何对算法进行加速两个问题展开了深入研究。粒子滤波跟踪算法的实质是利用跟踪器对每个采样粒子依次进行前景或背景的判断,因此跟踪器的判决能力是决定算法跟踪性能的重要因素。本文提出了基于深度互学习的跟踪算法,可以提高粒子滤波跟踪器对目标特征的提取能力和判别能力。首先,采用注意力机制来对采样粒子进行约束,通过在特征图后添加注意力机制层,对干扰特征进行抑制,从而提升跟踪器对目标特征的提取能力,解决跟踪器在特征提取时过多关注背景和相似物体等干扰特征而忽略目标本身特征的问题。其次,采用深度互学习方法来提升跟踪器的泛化能力,通过在两个初始化参数不同的网络中引入Kullback-Leibler（KL）损失来改变网络的概率输出分布,将两个网络联合训练提升网络的泛化能力,同时利用两个网络学得的判别信息不同进行互补,提升网络对目标特征的判别能力。以上两种方法共... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究意义及背景
    1.2 国内外研究现状
    1.3 目标跟踪的挑战
    1.4 本文工作与结构
        1.4.1 本文工作
        1.4.2 论文结构
2 相关理论及算法
    2.1 深度卷积神经网络概述
        2.1.1 卷积网络历史背景
        2.1.2 卷积网络架构与特点
    2.2 粒子滤波卷积目标跟踪算法
    2.3 本章小结
3 基于深度互学习的粒子滤波跟踪算法
    3.1 粒子滤波卷积神经网络跟踪器
    3.2 训练粒子滤波跟踪器
        3.2.1 注意力机制
        3.2.2 深度互学习训练
    3.3 在线目标跟踪
    3.4 在线模型更新
    3.5 本章小结
4 基于感兴趣区域对齐采样的粒子滤波跟踪算法
    4.1 感兴趣区域对齐采样
    4.2 逐层知识蒸馏指导网络
    4.3 在线目标跟踪与模型更新
    4.4 本章小结
5 实验分析
    5.1 评测数据库介绍
    5.2 实验参数说明
    5.3 在OTB数据库上的实验评估
        5.3.1 数据集和评估手段
        5.3.2 定量评估
        5.3.3 对比实验
        5.3.4 定性分析
    5.4 在VOT数据集上的实验评估
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]基于改进粒子滤波的稀疏子空间单目标跟踪算法[J]. 宫海洋,任红格,史涛,李福进.  现代电子技术. 2018(13)



本文编号：3456701