基于深度网络的无人机视觉目标跟踪研究
发布时间：2021-07-27 21:00
计算机视觉领域包含很多对视觉信息的研究内容,目标跟踪是其中一个热门的研究技术。经过国内外计算机视觉研究学者几十年的研究,目标跟踪在我们日常生活中已经得到了普及并且应用到了各行各业中,例如智能交通、人机交互、视频监控等。虽然目前已经出现了诸多性能优越的跟踪算法,但是在无人机这种复杂场景下实现良好的跟踪效果依旧存在较大困难。无人机场景下目标和无人机快速运动,容易出现目标遮挡严重、目标过小等问题,影响目标跟踪的效果。同时无人机航拍数据集缺乏统一标注,数据集不完善等问题也是影响无人机场景下目标跟踪的重要影响因素。本文就无人机场景下目标跟踪遇到的挑战,对目标跟踪算法进行更深入的研究。目标跟踪算法还没有使用深度学习的相关技术之前,相关滤波方法在目标跟踪性能上取得了一定优的势。在SiamFc出现后,涌现出了一大批基于孪生网络的优秀目标跟踪方法,但这些算法被直接应用到无人机场景下的目标跟踪时跟踪效果会受到影响。本文考虑到无人机航拍相关数据集不完善且数据集缺少、标注不统一等情况,提出了使用无监督学习的方法训练无人机目标跟踪模型。同时考虑到无人机自身计算能力等系统限制情况,网络模型采用了轻量级网络,采用前...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
形变Figure1-2Deformation
1绪论3形变（Deformation）也是我们进行目标跟踪可能遇到的困难情况，如图1-2所。如果我们跟踪的目标外观在时刻改变，那么极有可能出现跟踪漂移的现象，也就是无法完全跟踪到目标，出现了一定的偏离。一般情况下，跟踪算法解决出现的漂移问题主要是使用模型更新的方法。也就是说，不断地更新目标的外观模型来适应目标外观的变化。模型更新通常需要考虑的关键问题是更新的时机以及模型更新的频率大校图1-3背景杂斑Figure1-3BackgroundClutter背景杂斑（BackgroundClutter）也就是说目标附近出现了相似背景的目标，也可能是出现了外观相似的目标，如图1-3所示。一般情况下跟踪算法应对背景杂斑的方法有两种，一种是可以扩充样本数量，通过大量的迭代训练提升算法的分类性能，这样可以增强算法对目标和其他干扰信息的分辨能力。还有一种方法是记录目标的运动信息，利用算法预测跟踪目标的行为轨迹，进而防止出现跟踪了错误目标的情况。图1-4尺度变换Figure1-4ScaleVariation尺度变换（ScaleVariation）是目标跟踪中常见的目标运动改变大小的现象，它是由于目标运动导致跟摄像头的距离发生了改变，如图1-4所示。结果就是目标在视频中出现了尺度大小的改变。目前，跟踪算法处理目标尺度变换有两种方法，一种是当算法生成候选样本的时候，生成多个大小不同的候选框，这样不管目标尺度改变的有多大，总有一个尺度合适的候选框对应。还有一种方法是跟踪算法使用多个尺度的目标，这样就可以选择出适合候选框大小的目标尺度。除了上述目标跟踪面临的挑战因素以外，一般情况下还存在一些其他干扰跟踪的因素，比如说：旋转（rotation）、运动模糊（motionblur）、超出视野（outof
1绪论3形变（Deformation）也是我们进行目标跟踪可能遇到的困难情况，如图1-2所。如果我们跟踪的目标外观在时刻改变，那么极有可能出现跟踪漂移的现象，也就是无法完全跟踪到目标，出现了一定的偏离。一般情况下，跟踪算法解决出现的漂移问题主要是使用模型更新的方法。也就是说，不断地更新目标的外观模型来适应目标外观的变化。模型更新通常需要考虑的关键问题是更新的时机以及模型更新的频率大校图1-3背景杂斑Figure1-3BackgroundClutter背景杂斑（BackgroundClutter）也就是说目标附近出现了相似背景的目标，也可能是出现了外观相似的目标，如图1-3所示。一般情况下跟踪算法应对背景杂斑的方法有两种，一种是可以扩充样本数量，通过大量的迭代训练提升算法的分类性能，这样可以增强算法对目标和其他干扰信息的分辨能力。还有一种方法是记录目标的运动信息，利用算法预测跟踪目标的行为轨迹，进而防止出现跟踪了错误目标的情况。图1-4尺度变换Figure1-4ScaleVariation尺度变换（ScaleVariation）是目标跟踪中常见的目标运动改变大小的现象，它是由于目标运动导致跟摄像头的距离发生了改变，如图1-4所示。结果就是目标在视频中出现了尺度大小的改变。目前，跟踪算法处理目标尺度变换有两种方法，一种是当算法生成候选样本的时候，生成多个大小不同的候选框，这样不管目标尺度改变的有多大，总有一个尺度合适的候选框对应。还有一种方法是跟踪算法使用多个尺度的目标，这样就可以选择出适合候选框大小的目标尺度。除了上述目标跟踪面临的挑战因素以外，一般情况下还存在一些其他干扰跟踪的因素，比如说：旋转（rotation）、运动模糊（motionblur）、超出视野（outof
【参考文献】：
期刊论文
[1]深度学习的目标跟踪算法综述[J]. 李玺,查宇飞,张天柱,崔振,左旺孟,侯志强,卢湖川,王菡子. 中国图象图形学报. 2019(12)
[2]基于自适应Siamese网络的无人机目标跟踪算法[J]. 刘芳,杨安喆,吴志威. 航空学报. 2020(01)
[3]无人机目标跟踪综述[J]. 徐怀宇,黄伟,董明超,吴金明. 网络新媒体技术. 2019(05)
[4]抗遮挡的鸡群优化粒子滤波目标跟踪方法[J]. 曹洁,王振莹,李伟. 微电子学与计算机. 2019(06)
[5]目标跟踪算法综述[J]. 孟琭,杨旭. 自动化学报. 2019(07)
[6]视觉目标跟踪方法研究综述[J]. 葛宝义,左宪章,胡永江. 中国图象图形学报. 2018(08)
[7]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋. 模式识别与人工智能. 2018(01)
本文编号：3306533
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
形变Figure1-2Deformation
1绪论3形变（Deformation）也是我们进行目标跟踪可能遇到的困难情况，如图1-2所。如果我们跟踪的目标外观在时刻改变，那么极有可能出现跟踪漂移的现象，也就是无法完全跟踪到目标，出现了一定的偏离。一般情况下，跟踪算法解决出现的漂移问题主要是使用模型更新的方法。也就是说，不断地更新目标的外观模型来适应目标外观的变化。模型更新通常需要考虑的关键问题是更新的时机以及模型更新的频率大校图1-3背景杂斑Figure1-3BackgroundClutter背景杂斑（BackgroundClutter）也就是说目标附近出现了相似背景的目标，也可能是出现了外观相似的目标，如图1-3所示。一般情况下跟踪算法应对背景杂斑的方法有两种，一种是可以扩充样本数量，通过大量的迭代训练提升算法的分类性能，这样可以增强算法对目标和其他干扰信息的分辨能力。还有一种方法是记录目标的运动信息，利用算法预测跟踪目标的行为轨迹，进而防止出现跟踪了错误目标的情况。图1-4尺度变换Figure1-4ScaleVariation尺度变换（ScaleVariation）是目标跟踪中常见的目标运动改变大小的现象，它是由于目标运动导致跟摄像头的距离发生了改变，如图1-4所示。结果就是目标在视频中出现了尺度大小的改变。目前，跟踪算法处理目标尺度变换有两种方法，一种是当算法生成候选样本的时候，生成多个大小不同的候选框，这样不管目标尺度改变的有多大，总有一个尺度合适的候选框对应。还有一种方法是跟踪算法使用多个尺度的目标，这样就可以选择出适合候选框大小的目标尺度。除了上述目标跟踪面临的挑战因素以外，一般情况下还存在一些其他干扰跟踪的因素，比如说：旋转（rotation）、运动模糊（motionblur）、超出视野（outof
1绪论3形变（Deformation）也是我们进行目标跟踪可能遇到的困难情况，如图1-2所。如果我们跟踪的目标外观在时刻改变，那么极有可能出现跟踪漂移的现象，也就是无法完全跟踪到目标，出现了一定的偏离。一般情况下，跟踪算法解决出现的漂移问题主要是使用模型更新的方法。也就是说，不断地更新目标的外观模型来适应目标外观的变化。模型更新通常需要考虑的关键问题是更新的时机以及模型更新的频率大校图1-3背景杂斑Figure1-3BackgroundClutter背景杂斑（BackgroundClutter）也就是说目标附近出现了相似背景的目标，也可能是出现了外观相似的目标，如图1-3所示。一般情况下跟踪算法应对背景杂斑的方法有两种，一种是可以扩充样本数量，通过大量的迭代训练提升算法的分类性能，这样可以增强算法对目标和其他干扰信息的分辨能力。还有一种方法是记录目标的运动信息，利用算法预测跟踪目标的行为轨迹，进而防止出现跟踪了错误目标的情况。图1-4尺度变换Figure1-4ScaleVariation尺度变换（ScaleVariation）是目标跟踪中常见的目标运动改变大小的现象，它是由于目标运动导致跟摄像头的距离发生了改变，如图1-4所示。结果就是目标在视频中出现了尺度大小的改变。目前，跟踪算法处理目标尺度变换有两种方法，一种是当算法生成候选样本的时候，生成多个大小不同的候选框，这样不管目标尺度改变的有多大，总有一个尺度合适的候选框对应。还有一种方法是跟踪算法使用多个尺度的目标，这样就可以选择出适合候选框大小的目标尺度。除了上述目标跟踪面临的挑战因素以外，一般情况下还存在一些其他干扰跟踪的因素，比如说：旋转（rotation）、运动模糊（motionblur）、超出视野（outof
【参考文献】：
期刊论文
[1]深度学习的目标跟踪算法综述[J]. 李玺,查宇飞,张天柱,崔振,左旺孟,侯志强,卢湖川,王菡子. 中国图象图形学报. 2019(12)
[2]基于自适应Siamese网络的无人机目标跟踪算法[J]. 刘芳,杨安喆,吴志威. 航空学报. 2020(01)
[3]无人机目标跟踪综述[J]. 徐怀宇,黄伟,董明超,吴金明. 网络新媒体技术. 2019(05)
[4]抗遮挡的鸡群优化粒子滤波目标跟踪方法[J]. 曹洁,王振莹,李伟. 微电子学与计算机. 2019(06)
[5]目标跟踪算法综述[J]. 孟琭,杨旭. 自动化学报. 2019(07)
[6]视觉目标跟踪方法研究综述[J]. 葛宝义,左宪章,胡永江. 中国图象图形学报. 2018(08)
[7]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋. 模式识别与人工智能. 2018(01)
本文编号：3306533
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3306533.html
