基于深度学习的单目标跟踪方法研究

发布时间：2021-04-17 22:13

　　在国家大力发展建设智慧城市的今天,智能视频监控成为城市管理的重要组成部分。如今城市当中星罗棋布的监控摄像头在安防领域发挥着至关重要的作用。视频数据大量存储在硬盘当中,如何充分挖掘其中有价值的信息成为各国研究者们关注的焦点。其中,针对视频的目标跟踪技术随着数据量的增加而不断发展,成为了智能视频监控的关键基础技术。目前,已有的基于视频序列的目标跟踪技术还未能大规模商用,难点在于现实生活场景较为复杂,干扰情况较多,对计算机硬件以及跟踪算法的实时性要求较高。因此,研究能否在给定场景下对任意给定目标稳定地跟踪成为这一领域能否突破的关键。传统的单目标跟踪模型中最为重要的一环在于特征提取。特征对于被跟踪目标外观模型的表征能力决定了该跟踪算法的跟踪准确度于泛化性能。本文在充分研究了传统的基于颜色、纹理特征跟踪的基础之上,对当前特征描述能力较为优秀的深层卷积神经网络进行了深入对比研究。为了能够同时保证跟踪准确度与实时性,利用了一个端到端的离线深度学习模型用于在线跟踪的方案。同时,对于给定的单目标在跟踪过程中出现的形变、部分遮挡和丢失等情况,将该跟踪器与传统的检测框架相融合,用于保证跟踪的鲁棒性。并且给出... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

OPE曲线;

般选取概率最大的为下一帧目标。最后利用模型更新判断是否需要更新观测模型。如果有多个跟踪器的话，需要对每个跟踪器的输出进行综合处理得到最终的目标。2.4 目标的特征表示目标特征表示是整个跟踪过程中最为重要的一部分。分为生成式特征表达和判别式特征表达。上世纪 80 年代的 Lucas-Kanade 光流法将全局模板的特征表达引入跟踪领域。之后，基于子空间的大量的跟踪方法涌现出来[23]。还有用稀疏表示的方法[24]来解决目标外观发生较大变化的情况。除了利用模板来表示目标特征外，还有利用其它基本图像属性进行特征表达。例如颜色直方图，梯度直方图，SIFT[25]以及 HOG[26]、Haar[27]描述子等。除了生成式特征表达外，判别式模型在跟踪领域逐渐成为主流，例如用 SVM 进行前景与背景的二分类。王乃岩做了以下实验，可以看出特征表达对于目标跟踪的重要性[22]。实验当中采用了 5 种特征，分别是未经任何处理的灰度图，未经任何处理的彩色图，类Haar 特征，HOG 特征以及 HOG+彩色图特征。如下图所示：

哈尔滨工业大学工学硕士学位论文表 2-1 测试视频属性分布图属性 描述IV 光照变化SV 尺寸变化OCC 部分或完全遮挡DEF 形变MB 运动模糊FM 快速运动IPR 平面内旋转OPR 平面外旋转OV 超出视野BC 背景杂斑LR 低分辨率


本文编号：3144223