动态场景下相关滤波实时跟踪算法研究与应用
发布时间：2021-08-17 06:09
在目标跟踪（Object Tracking）过程中,被跟踪目标始终处于运动状态,在动态场景（Dynamic Scene）下被跟踪极易发生目标遮挡（Occlusion,OCC）、快速运动（Fast motion,FM）、运动模糊（Motion blur,MB）、尺度变化（Scale variation,SV）、变形（Deformation,DEF）、球内旋转（In-plane rotation,IPR）、球外旋转（Out-of-plane rotation,OPR）、出视野（Out of view,OV）、场景复杂的光照变化（Illumination variation,IV）、低分辨率（Low resolution,LR）、背景杂乱（Background clutter,BC）等。在如此复杂的动态场景下,容易发生模型漂移,造成跟踪失败,严重者会造成永久性失跟。本文以目标跟踪的相关滤波（Correlation Filters,CF）类算法为基础对目标跟踪中的模型更新（Model Update）和多特征融合（Features Fusion）进行深入的研究。本文提出了三种新颖的目标跟踪算法,...
【文章来源】：中北大学山西省
【文章页数】：129 页
【学位级别】：硕士
【部分图文】：
目标跟踪过程中的5种典型挑战场景
中北大学学位论文5Comaniciu等[31]提出的均值漂移法（mean-shift），以及2002年Nummiaro等[32]提出的粒子滤波算法等。判别式目标跟踪是从2011年Bolme等[10]提出的最小化输出平方差和（MinimumOutputSumofSquaredError,MOSSE）算法开始发展而来，是目前目标跟踪领域的主流建模思想。其基本思想为将目标与背景进行判别分离，关注被跟踪目标的同时对跟踪背景同样进行关注，这样极大地提高了跟踪的准确度与鲁棒性，并且大部分判别式目标跟踪算法可以实现实时性跟踪。判别式目标跟踪方向目前已发展成为基于相关滤波的判别式目标跟踪与基于深度学习的判别式目标跟踪两大分支。（1）基于相关滤波的判别式目标跟踪基于相关滤波的判别式目标跟踪从MOSSE算法被提出以来就获得许多研究学者的关注，其基本原理如图1-2所示。图1-2相关滤波目标跟踪基本原理图Figure1-2BasicprinciplediagramofcorrelationfiltersobjecttrackingMOSSE算法是相关滤波目标跟踪领域早期的一个基准算法，其创新性地使用了快速傅里叶变换（FastFourierTransform,FFT）在傅里叶域内进行图像相关性的计算，由此在跟踪速度方面达到了669帧率（FramesPerSecond,FPS）。2011年Hare等[33]提出基于
中北大学学位论文10图1-3SiamFC跟踪器基本原理图Figure1-3BasicprinciplediagramofSiamFCobjecttracking受SiamFC启发，2018年Li等[54]提出了基于孪生区域提取网络的高性能目标跟踪（HighPerformanceVisualTrackingwithSiameseRegionProposalNetwork,SiamRPN），其包含孪生网络部分与候选区域部分，即将分类与回归同时进行，摒弃了传统的多尺度检测与在线微调，提高了跟踪速度。它仍是将初始帧作为模板，使后续帧图像与其进行匹配，在整个过程中不进行模型的更新。考虑到对图像增加填充（padding）会造成识别混乱，因此SiamRPN使用网络加厚代替padding，所以SiamRPN不能使用深度残差网络（Deepresidualnetwork,ResNet）等网络。SiamRPN使用剔除了第二层（conv2）与第四层（conv4）的AlexNet网络在ImageNet数据集与Youtube-BB3数据集进行端到端的离线训练。2018年Zhu等[55]在SiamRPN基础上提出了基于干扰物感知孪生网络的目标跟踪（Distractor-awareSiameseNetworksforVisualObjectTracking,DaSiamRPN）。它在SiamRPN基础上增加了正负样本种类，引入了同类与不同类样本，消除了样本的不均衡问题。并且它使用了ImageNet与COCO4两个数据集进行预训练。同年Li等[56]提出具有深度网络的进化版孪生网络SiamRPN++，其对正样本进行了随机偏移，由此消除了padding的影响，所以基础网络就由AlexNet换成了更加先进的RestNet网络。为取得更高的准确度与更加精细化的目标识别跟踪，2018年Wang等[57]提出了快速在线跟踪与分割的统一方法SiamMask。它加入了在跟踪网络里加入了目标分割，并且使3https://research.google.com/youtube-bb/4http://cocodataset.org/
【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]基于概率模型的自适应融合互补学习跟踪算法[J]. 董秋杰,何雪东,葛海燕,周盛宗. 激光与光电子学进展. 2019(16)
本文编号：3347222
【文章来源】：中北大学山西省
【文章页数】：129 页
【学位级别】：硕士
【部分图文】：
目标跟踪过程中的5种典型挑战场景
中北大学学位论文5Comaniciu等[31]提出的均值漂移法（mean-shift），以及2002年Nummiaro等[32]提出的粒子滤波算法等。判别式目标跟踪是从2011年Bolme等[10]提出的最小化输出平方差和（MinimumOutputSumofSquaredError,MOSSE）算法开始发展而来，是目前目标跟踪领域的主流建模思想。其基本思想为将目标与背景进行判别分离，关注被跟踪目标的同时对跟踪背景同样进行关注，这样极大地提高了跟踪的准确度与鲁棒性，并且大部分判别式目标跟踪算法可以实现实时性跟踪。判别式目标跟踪方向目前已发展成为基于相关滤波的判别式目标跟踪与基于深度学习的判别式目标跟踪两大分支。（1）基于相关滤波的判别式目标跟踪基于相关滤波的判别式目标跟踪从MOSSE算法被提出以来就获得许多研究学者的关注，其基本原理如图1-2所示。图1-2相关滤波目标跟踪基本原理图Figure1-2BasicprinciplediagramofcorrelationfiltersobjecttrackingMOSSE算法是相关滤波目标跟踪领域早期的一个基准算法，其创新性地使用了快速傅里叶变换（FastFourierTransform,FFT）在傅里叶域内进行图像相关性的计算，由此在跟踪速度方面达到了669帧率（FramesPerSecond,FPS）。2011年Hare等[33]提出基于
中北大学学位论文10图1-3SiamFC跟踪器基本原理图Figure1-3BasicprinciplediagramofSiamFCobjecttracking受SiamFC启发，2018年Li等[54]提出了基于孪生区域提取网络的高性能目标跟踪（HighPerformanceVisualTrackingwithSiameseRegionProposalNetwork,SiamRPN），其包含孪生网络部分与候选区域部分，即将分类与回归同时进行，摒弃了传统的多尺度检测与在线微调，提高了跟踪速度。它仍是将初始帧作为模板，使后续帧图像与其进行匹配，在整个过程中不进行模型的更新。考虑到对图像增加填充（padding）会造成识别混乱，因此SiamRPN使用网络加厚代替padding，所以SiamRPN不能使用深度残差网络（Deepresidualnetwork,ResNet）等网络。SiamRPN使用剔除了第二层（conv2）与第四层（conv4）的AlexNet网络在ImageNet数据集与Youtube-BB3数据集进行端到端的离线训练。2018年Zhu等[55]在SiamRPN基础上提出了基于干扰物感知孪生网络的目标跟踪（Distractor-awareSiameseNetworksforVisualObjectTracking,DaSiamRPN）。它在SiamRPN基础上增加了正负样本种类，引入了同类与不同类样本，消除了样本的不均衡问题。并且它使用了ImageNet与COCO4两个数据集进行预训练。同年Li等[56]提出具有深度网络的进化版孪生网络SiamRPN++，其对正样本进行了随机偏移，由此消除了padding的影响，所以基础网络就由AlexNet换成了更加先进的RestNet网络。为取得更高的准确度与更加精细化的目标识别跟踪，2018年Wang等[57]提出了快速在线跟踪与分割的统一方法SiamMask。它加入了在跟踪网络里加入了目标分割，并且使3https://research.google.com/youtube-bb/4http://cocodataset.org/
【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]基于概率模型的自适应融合互补学习跟踪算法[J]. 董秋杰,何雪东,葛海燕,周盛宗. 激光与光电子学进展. 2019(16)
本文编号：3347222
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3347222.html
最近更新
教材专著
