基于卷积神经网络的端到端的高速追踪算法研究

发布时间：2020-11-16 13:19

　　 视觉追踪作为计算机视觉领域一个重要课题,在安防,自动驾驶,智能机器人等应用场景中,具有重要的作用。目前主流的追踪算法主要面临几个问题,一个是速度和精度很难均衡;第二个是对于离线数据的吸收能力不强,对于大数据的利用不好;第三个是缺乏高效的在线更新方式,使得追踪算法对于追踪目标的形变,背景变化等情况适应能力不强。在实际场景中,要求追踪算法达到好的实时性。因此,追踪算法需要权衡速度和精度的要求。同时,不同的场景会有不同的数据,充分利用大数据的优势,能更方便快捷地适应不同的场景。为了解决这三个问题,本文提出了解决方案。本毕设提出了一种高效的端到端的追踪算法,并设计了优雅,轻量级的网络结构用于训练。通过端到端的训练框架,能很好的吸收离线大规模样本,而不需要设计复杂的手工特征。同时,本毕设提出了元学习的方式,对在线的样本进行学习,快速更新网络的参数,增加了追踪算法对不同追踪目标的适应能力。通过线下训练和线上更新的方式,充分挖掘了网络的潜能,使得网络具有迁移性和适用性,从而达到了速度和精度的权衡。最后,通过设计科学合理的实验,通过和主流的追踪算法对比以及自身的性能分析,证明了本毕设提出的方法的有效性。本毕设的追踪算法在权威数据集OTB2013[1],OTB2015[2],VOT2016[3]上均有良好的表现,同时追踪的速度达到了60FPS,满足了实时性的要求。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

连接参数进行学习，而卷积参数不随着视频进行重新初始化，而是通过随机梯度下??降算法不断更新参数。这样离线训练出来的卷积参数具有一定的区分前景和背景的??能力，但是对于具体视频的适用性不强。如图２－２为基于前景背景的二分类网络结构??图，对于一个视频，初始化一个新的ｆｃ参数，卷积部分共享参数。????—？?ＦＣ?Ｖｉｄｅｏｌ??Ｃ〇ｎｖ?１?—？！—＂ＦＣ￣?Ｖｉｄｅｏ２??产生样本一？！???—？?ＦＣ１?－？?ＦＣ２???Ｔ＾ＪＪ?Ｖｉｄｅｏ３??—？?ＦＣ?Ｖｉｄｅｏ４??图２－２?基于前景背景的二分类网络框架图。??离线训练可以使得提特征网络具有很好的泛化能力，但是在线上预测时，全连??接参数对于新的物体的前景和背景的区分并不好。因此，在线上预测的过程中，需??要重新初始化一组全连接参数。通过对当前追踪序列的在线学习，使得全连接学习??的参数具有物体意识，能准确的获取当前物体的特性。这种方法的一大缺点就是需??要在线更新全连接参数，使得追踪速度会收到很大的影响。??我们知道，在目标检测中，存在大量的正样本和负样本，其中大多数样本都是??简单样本。这些简单样本在训练的时候

本章将介绍基于卷积神经网络的端到端训练的高速追踪算法关键技术点和本文??的主要创新点。从数据集，数据增强方法，端到端训练框架，网络结构设计，元学习??训练等方法介绍了本毕设追踪算法的核心技术。如图３－１所示是本毕设追踪器的追踪??效果图，左上角标注了图片的帧号，可以看到，ＨＦＤＣＦ算法具有良好的鲁棒性，在??物体背景复杂，物体形变，运动模糊等情况下都有良好的鲁棒性。???ＨＦＤＣＦ?ＭＤＮｅｔ?ＤｅｅｐＳＲＤＣＦ?ＳｉａｍＦＣ?ＫＣＦ??图３－］?不同追踪器追踪效果对比图。??３．１训练数据集介绍??３．１．１?ＩｍａｇｅＮｅｔ?ＶＩＤ?数据集??ＩｍａｇｅＮｅｔ［２３］?ＶＩＤ数据集主要是用来进行视频中的物体检测。ＶＩＤ任务中，总共??有３０个物体类别，这３０个类别是从２００个ＩｍａｇｅＮｅｔ＾检测任务中的类别集合的子??集。同时，为了使得挑选的类别更加具有代表性，考虑到不同类别的物体运动方式，??大小等不同，挑选了?３０个有代表性的物体类别。对于每一个视频，标注了如下四个??１９??

通过前馈和后馈信号，指导网络的训练。这个训练方式，能充分挖掘网络的力，使得设计出高效的网络结构成为可能。同时，训练的便捷性使得科研工作者尝试多种训练方式和策略，加快工作迭代的速度。??３．２．１框架设计??端到端的训练方式，使得网络能充分吸收大量的离线样本，因此这种的训练式具有数据驱动的特点，大数据的作用被充分发掘出来。通过挖掘足够的数据，能会有一定的提升。这一点在实用上非常方便和有效，一个具体的追踪场景，只要积累足够的训练数据，该方法便能显著提高性能。此外，通过端到端的方式，能自??主设计网络结构，通过大数据和正确的损失监督，避免了手动调参和进行大量特工程的繁琐。??如图３－２所示，为端到端训练框架示意图。输入模板图片和搜索图片，通过本设设计的网络结构，得到模板图片和搜索图片的两个特征。将这两个特征进行滤操作，通过计算，得到最终框的位置。??—
【相似文献】

相关期刊论文 前10条

1 袁静;;基于回溯思想的多面体面追踪算法[J];计算机仿真;2014年11期

2 张丽娟;李泽仁;;视频追踪算法研究[J];新媒体研究;2015年01期

3 杨希祥;杨涛;杨慧欣;张为华;;多个体系统编队分布式控制的循环追踪算法[J];中南大学学报(自然科学版);2014年02期

4 柴天峰;朱小龙;毛勇建;卢永刚;;面向飞行器平台的图像目标追踪算法[J];现代防御技术;2017年03期

5 尚俊;;基于稀疏表示的目标追踪算法[J];湖北第二师范学院学报;2014年08期

6 赵鼎;丁耀根;孙鹏;王进华;;动态追踪算法在速调管输出段计算中的应用[J];物理学报;2006年05期

7 解成俊;徐林;张铁山;;利用基追踪算法实现图像压缩感知重建研究[J];电子设计工程;2011年11期

8 刘相滨,向坚持,谢林海;一种改进的围线追踪算法[J];计算机工程与应用;2005年29期

9 张彬彬;王福龙;;分块快速压缩追踪算法[J];计算机系统应用;2016年05期

10 杨希祥;杨涛;张为华;;基于循环追踪算法的编队航天器交会控制[J];国防科技大学学报;2014年01期

相关博士学位论文 前1条

1 张翔;活细胞中运动囊泡的识别和追踪算法及单分子荧光能量共振转移技术方法的研究[D];华中科技大学;2017年

相关硕士学位论文 前10条

1 何智群;基于卷积神经网络的端到端的高速追踪算法研究[D];北京邮电大学;2019年

2 刘忠耿;基于核相关滤波器的目标追踪算法研究[D];南京理工大学;2018年

3 孟冬伟;基于三分支神经网络的单目标追踪算法研究[D];哈尔滨工业大学;2018年

4 张峰境;多点追踪算法的设计与FPGA实现[D];湘潭大学;2018年

5 贺潇;基于深度学习检测与核相关滤波器的追踪算法[D];北京邮电大学;2018年

6 方露;视频中运动目标检测与追踪算法研究[D];安徽工程大学;2017年

7 陈帅;Metropolis光线追踪算法的研究与改进[D];中国民航大学;2017年

8 柴天峰;面向飞行器平台的图像目标追踪算法研究[D];中国工程物理研究院;2017年

9 张彬彬;压缩追踪算法研究[D];广东工业大学;2016年

10 刘建华;基于ZigBee技术的室内被动定位追踪算法研究[D];东南大学;2016年

本文编号：2886275