基于深度学习的视觉目标跟踪算法研究
发布时间：2021-10-27 10:15
视觉目标跟踪是计算机视觉领域中一个重要的研究方向,并且应用广泛。近年来,深度学习在计算机视觉领域取得了显著的效果,深度学习的发展不仅突破了很多传统算法难以解决的难题,提升了计算机对于图像和视频的认知水平,更推动了计算机视觉领域相关技术的进步。基于深度学习的跟踪算法也获得了长足的发展,得到了较高的跟踪性能。但是,依然存在许多问题制约了跟踪性能的进一步提升,如通过响应图确定的目标位置不够精确、判别能力较差、初始化信息不准确等。本文针对单目标跟踪中的问题进行了深入研究,有针对性地提出了三个基于深度学习的视觉目标跟踪算法。本文的主要工作与创新总结如下:（1）早期的基于相关滤波的跟踪算法一般采用手工设计的特征描述子来进行特征提取,对目标的特征表达能力有限,导致通过响应图确定的目标位置不够准确,尤其在遮挡和背景混杂等因素干扰下通常不能得到令人满意的跟踪效果。本文提出了基于显著性区域加权的相关滤波目标跟踪算法,采用改进的残差网络来提取多分辨率的特征,将视觉显著性引入相关滤波来对响应图进行显著性加权,提高目标定位精度。在目标跟踪评测数据集VOT（Visual Object Tracking）上进行评测...
【文章来源】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)吉林省
【文章页数】：126 页
【学位级别】：博士
【部分图文】：
目标跟踪中的的挑战
Henriques等人[58]在CSK的基础上扩展了多通道功能和核方法,提出核相关滤波器(Kernelized Correlation Filter,KCF)跟踪算法,同时将相关滤波的求解转化为岭回归问题。Danelljan等人[59]在颜色名(Color Names,CN)跟踪算法中将原本RGB的3通道的图像映射到11通道,如图1.6所示,并对每个通道单独进行处理再将结果进行融合。为了解决通道数过多影响运行速度,作者使用主成分分析(Principal Component Analysis,PCA)降维的方法从11个通道中选出2个主要通道进行上述处理。使用手工设计特征的高效卷积算子跟踪算法(Efficient convolution operators for tracker with hand-crafted feature,ECO-HC)[60]采用方向梯度直方图(Histogram of Oriented Gradient,HOG)[61]和颜色名(Color Name,CN)[59]特征进行融合取得了良好的效果。Bertinetto等人[62]提出模板与像素互补学习(Sum of Template and Pixel-wise Learners,Staple)跟踪算法,如图1.7所示,Staple采用HOG特征[61]和颜色直方图来建立目标的外观模型,这两种特征具有一定的互补性,通过独立求解他们的响应图,最后对响应图采用加权融合的方式获得了较好的跟踪效果。
Bertinetto等人[62]提出模板与像素互补学习(Sum of Template and Pixel-wise Learners,Staple)跟踪算法,如图1.7所示,Staple采用HOG特征[61]和颜色直方图来建立目标的外观模型,这两种特征具有一定的互补性,通过独立求解他们的响应图,最后对响应图采用加权融合的方式获得了较好的跟踪效果。深度学习在计算机视觉领域取得了前所未有的效果,近年来,深度学习也被引入到目标跟踪领域,许多学者在相关滤波的跟踪框架下,采用深度特征来改善跟踪性能,这些将在下一节介绍。
【参考文献】：
期刊论文
[1]空间态势感知:开启“上帝之眼”模式[J]. 张乃千. 军事文摘. 2017(15)
博士论文
[1]复杂场景下鲁棒的目标跟踪算法研究[D]. 曾宪佑.北京交通大学 2019
[2]基于深度学习的目标跟踪研究[D]. 卢宪凯.上海交通大学 2018
[3]基于稀疏表示的目标跟踪技术研究[D]. 陈典兵.中国科学院长春光学精密机械与物理研究所 2017
硕士论文
[1]基于无人机机载电视成像的地面目标跟踪[D]. 祝国浩.国防科学技术大学 2009
本文编号：3461398
【文章来源】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)吉林省
【文章页数】：126 页
【学位级别】：博士
【部分图文】：
目标跟踪中的的挑战
Henriques等人[58]在CSK的基础上扩展了多通道功能和核方法,提出核相关滤波器(Kernelized Correlation Filter,KCF)跟踪算法,同时将相关滤波的求解转化为岭回归问题。Danelljan等人[59]在颜色名(Color Names,CN)跟踪算法中将原本RGB的3通道的图像映射到11通道,如图1.6所示,并对每个通道单独进行处理再将结果进行融合。为了解决通道数过多影响运行速度,作者使用主成分分析(Principal Component Analysis,PCA)降维的方法从11个通道中选出2个主要通道进行上述处理。使用手工设计特征的高效卷积算子跟踪算法(Efficient convolution operators for tracker with hand-crafted feature,ECO-HC)[60]采用方向梯度直方图(Histogram of Oriented Gradient,HOG)[61]和颜色名(Color Name,CN)[59]特征进行融合取得了良好的效果。Bertinetto等人[62]提出模板与像素互补学习(Sum of Template and Pixel-wise Learners,Staple)跟踪算法,如图1.7所示,Staple采用HOG特征[61]和颜色直方图来建立目标的外观模型,这两种特征具有一定的互补性,通过独立求解他们的响应图,最后对响应图采用加权融合的方式获得了较好的跟踪效果。
Bertinetto等人[62]提出模板与像素互补学习(Sum of Template and Pixel-wise Learners,Staple)跟踪算法,如图1.7所示,Staple采用HOG特征[61]和颜色直方图来建立目标的外观模型,这两种特征具有一定的互补性,通过独立求解他们的响应图,最后对响应图采用加权融合的方式获得了较好的跟踪效果。深度学习在计算机视觉领域取得了前所未有的效果,近年来,深度学习也被引入到目标跟踪领域,许多学者在相关滤波的跟踪框架下,采用深度特征来改善跟踪性能,这些将在下一节介绍。
【参考文献】：
期刊论文
[1]空间态势感知:开启“上帝之眼”模式[J]. 张乃千. 军事文摘. 2017(15)
博士论文
[1]复杂场景下鲁棒的目标跟踪算法研究[D]. 曾宪佑.北京交通大学 2019
[2]基于深度学习的目标跟踪研究[D]. 卢宪凯.上海交通大学 2018
[3]基于稀疏表示的目标跟踪技术研究[D]. 陈典兵.中国科学院长春光学精密机械与物理研究所 2017
硕士论文
[1]基于无人机机载电视成像的地面目标跟踪[D]. 祝国浩.国防科学技术大学 2009
本文编号：3461398
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3461398.html
