卷积网络在视频目标跟踪问题中的应用

发布时间：2020-12-25 02:21

　　对运动目标的跟踪是计算机视觉领域中的一个重要问题,应用领域广泛,尤其是在智慧城市、自动驾驶、智能监控、智能交通和安防等方面。近年来机器学习领域的发展,尤其是深度学习技术的发展,使得对目标跟踪的研究有了进一步的突破。本文在对传统特征提取方法和基于深度学习的特征提取方法进行对比分析的基础上,研究了深度学习方法在目标跟踪中的应用。针对目标跟踪问题中离线训练难、耗时大的问题,本文采用了一种无需预训练的轻量化卷积网络结构进行特征提取,并且提出了一种引入了仿射传播聚类算法的方法进行卷积核参数的在线学习。为了减小搜索空间,本文研究了粒子滤波在目标跟踪问题上的应用,基于粒子滤波框架进行目标跟踪。为了缓解在目标快速运动场景中的跟踪漂移问题,本文引入了一种阈值机制,对粒子的运动模型参数进行自适应调整,从而提高了目标跟踪算法在目标快速运动场景中的跟踪性能。结合改进后的卷积网络和引入阈值机制后的粒子滤波框架,本文实现了一个目标跟踪系统,对该系统在主流评测数据集中的50个具有挑战性的视频上进行了实验,并且与一些主流跟踪算法进行比较。结果表明本文算法成功率高、跟踪效果好,在快速运动、背景干扰、遮挡等复杂环境下表现... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：103 页

【学位级别】：硕士

【部分图文】：

视频目标跟踪系统的框架

可通过字典的稀疏化表示来建模，即通过组合目标模板及碎片模板，跟踪的时候在候选目标中选取系数稀疏并且重构误差最小的目标作为得到的跟踪结果。为了提高 L1 跟踪器的计算速度，Zhang 等人13设计了一个循环稀疏的跟踪器，利用具有循环稀疏结构的模板以及傅里叶变换来增大样本空间。而 Tao 等人14在跟踪方法中对孪生网络进行引入，通过对目标外观模型的表达误差进行计算，从而在候选区域中进行选择，得到与目标模型最相似的区域。生成式模型是直接对目标进行特征提取、建模，并没有关注背景信息，因此在简单场景中可以得到准确的跟踪，但是在复杂场景中往往容易发生漂移问题。判别式模型的做法是把目标跟踪问题视为一个二分类问题。图 1-2 描述了判别式模型中的目标跟踪步骤。这类模型会针对目标和目标周围的背景之间的区别来建立目标的观测模型，通常是通过正例样本和负例样本训练、更新二分类器，然后在图像区域中进行搜索，得到分类为目标的概率最大的位置。

元为自编码器40。自编码器如图2-1所示，由编码器和解码器组成。对于输入的原始信号，经过编码器进行稀疏编码后，通过解码器进行解码，即在编码后信号的基础上重构出原始信号。因此，这里一般使用重构误差作为目标函数。自编码器的思想是，通过对原始信号进行编码，从而映射到另一个特征空间，得到比原始信号更加简洁、有效的表达，编码后的信息能够反映信号更加本质的特征。图 2 - 1 自编码器结构Figure 2 - 1 Autoencoder去噪自编码器是对自编码器的一种改进。在原始输入信号中加入一定的随机


本文编号：2936764