深度学习及深度强化学习在视频目标跟踪中的应用研究

发布时间：2021-12-30 12:30

　　在视频目标跟踪技术中,精度和速度是衡量复杂环境下跟踪算法性能的两个重要指标。近年来,相比于传统目标跟踪算法,深度学习模型因其强大的特征提取能力对跟踪精度的提升做出了突破性的贡献,但其跟踪速度较慢。最近,有学者将深度强化学习应用到视频目标跟踪技术中,其在速度方面相比于深度学习目标跟踪算法得到了改善,但精度略差于深度学习目标跟踪算法。跟踪精度和跟踪速度相互制约的问题是现有的深度学习及深度强化学习视频目标跟踪算法面临的主要挑战。基于此,本文对深度学习以及深度强化学习在视频目标跟踪中的应用进行了比较性研究,主要工作如下:（1）系统全面的综述了深度学习及深度强化学习在视频目标跟踪技术中的研究现状并指出了各类方法的优缺点。首先,针对现有的依赖于离线训练的深度学习目标跟踪算法在在线跟踪过程中精度和速度相互制约的问题,按照不同的解决思路,将其分为有在线微调和无在线微调的深度学习跟踪两大类,并分析了各类方法的优缺点。其次,针对现有的深度强化学习目标跟踪算法,按照强化学习的不同作用,将其分为以强化学习决策目标位置的跟踪和以强化学习预测目标位置的跟踪两大类,并对其进行了总结分析。（2）针对利用非跟踪数据集离... 

【文章来源】：西安理工大学陕西省

【文章页数】：93 页

【学位级别】：硕士

【部分图文】：

VGGNet-19模型特征可视化结果;

图 2-6 VGGNet-19 模型特征可视化结果Fig.2-6 Results of features visualization for VGGNet-19图 2-6 中，从左往右，从上往下，代表卷积层更深的方向。从图 2-6 的特征可视果可以看出，较浅层的卷积保留了输入图像更多的空间特性。对于视频目标跟踪而浅层的空间特征就足以对目标外观模型进行有效的表达，同时考虑到跟踪速度的要标跟踪不适于用太深层的网络。由此可以得出，利用浅层的卷积神经网络在实现较高的目标跟踪任务同时可以有效的提高跟踪速度。本文研究并实现的目标跟踪算法使是浅层的卷积神经网络。2.5 本章小结本章首先以 LeNet-5 为基础，详细介绍了传统的卷积神经网络结构以及训练过接着深入研究了几种典型的深度卷积神经网络模型，分析了它们之间的异同。最后VGGNet-19 模型为基础，实现了卷积神经网络特征图可视化的实验，实验结果表明层网络可以保留更多的图像空间信息，其有利于实现更加精确的目标定位，同时考虑层网络有利于跟踪速度的提升。由此得出，较浅层的卷积神经网络更适合于目标跟踪

迷宫游戏环境示意图

【参考文献】：
期刊论文
[1]基于值函数和策略梯度的深度强化学习综述[J]. 刘建伟,高峰,罗雄麟.  计算机学报. 2019(06)
[2]深度强化学习研究综述[J]. 赵星宇,丁世飞.  计算机科学. 2018(07)
[3]基于堆栈式消噪自编码机的分块目标跟踪（英文）[J]. 戴铂,侯志强,余旺盛,李明,王鑫,金泽芬芬.  控制理论与应用. 2017(06)
[4]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸.  计算机应用研究. 2018(07)
[5]基于深度学习的目标跟踪方法研究现状与展望[J]. 罗海波,许凌云,惠斌,常铮.  红外与激光工程. 2017(05)
[6]深度强化学习综述[J]. 刘全,翟建伟,章宗长,钟珊,周倩,章鹏,徐进.  计算机学报. 2018(01)
[7]深度学习在视频目标跟踪中的应用进展与展望[J]. 管皓,薛向阳,安志勇.  自动化学报. 2016(06)
[8]强化学习研究综述[J]. 高阳,陈世福,陆鑫.  自动化学报. 2004(01)

硕士论文
[1]视频图像运动目标跟踪技术的研究[D]. 陈远祥.江苏大学 2010



本文编号：3558198