基于深度学习的视觉跟踪算法相关研究

发布时间：2021-08-02 13:00

　　作为当今计算机视觉研究领域的重要组成部分之一,视频目标跟踪任务需要各个领域知识的综合运用,只有这样才能在遇到突发情况时做出快速地应对,进而实现鲁棒追踪目标。从目前深度学习的运用情况来看,最终整体目标置信度是其主要的研究及运用方向,而网络的中间特征及多样的跟踪方式则没有受到学术界的重视。因而,本文将着重研究如何通过网络与跟踪流程的运用来帮助提升算法性能。本文主要的研究如下:（1）提出了基于RGBD和稀疏学习的跟踪算法。首先在稀疏学习跟踪结构框架下的基础上,通过运用深度信息检测目标范围内的遮挡物;然后通过对检测获得的遮挡物区域分析,制作遮挡物模板;接着利用深度图像的特性和彩色图像的视觉特性,来描述目标外观的鲁棒特征;最后,提出了一种基于深度直方图分析的遮挡物检测方法,用来避免错误的模板更新。实验结果表明,该算法相比其它四种跟踪算法,在面对光照变化或是遮挡物时,对目标的跟踪效果都最好。（2）提出了基于深度学习的L1跟踪算法。利用固定摄像头下视频场景中一块利于分辨目标的区域构造训练样本,构建一个两路对称并且权重共享的深度卷积神经网路。在L1跟踪系统中,对目标候选特征利用训练好的深度网络来提取并... 

【文章来源】：南京邮电大学江苏省

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

信号的稀疏表示i矩阵代表

sis Pursuit，BP）[22]、基于框架的算法（Method of Frame，MF）[21]、基于光滑分解算法（SLO）[23]、交替投影法（AP）[24]、用于稀疏重构的梯度映射算法（G D.L.Donoho 证明出，当求解范数最小化问题足够稀疏时，那么公式（2.2）和化问题[26]是相同的： . . = 表示向量的 范数。上式中的 范数最小化问题可以在多项式时间内通过标准法[27]进行求解，它有包括内点法和单纯形法两种方法。稀疏学习跟踪算法的基本原理稀疏学习的跟踪算法，它可以和粒子滤波理论[28]相结合，从而在得到目标最新续优化目标状态。其算法的构成有：粒子滤波、稀疏学习、模板更新以及遮档模块，下图 2.3 展示的是它的算法框架。

图 4.1 深度网络的架构在第 2 层中，为可以更为全部的运用输入数据x ，此章在每一个x 的外围做出填补，补的尺寸是 2。然后把x 和 256 个卷积核顺次做出卷积，对照的权重系数是 ; ; ; ， ∈ × ×，每一个卷积核的路径数与尺度依次是 96 与5×5，样采集间距是 1，获得 = （4.此层样本采集尺度是在 3×3的滤波器下予以样本的采集，样本采集间距是 2，因 ∈ ×，把全部的特征映射x 构成 ∈ ×，维度是 = 256×5×5。第 3 层中，此章把x 映射 ，此层不包括池化。32 个卷积核分别和x 做出卷积，卷积的路径数与尺度依次是3×3，每一个输入x 填充的尺寸是 1。卷积核对照的权重系数记作 ; ; ; ， ∈ ×。 = （4.

【参考文献】：
期刊论文
[1]深度学习技术创新实践[J]. 周川,陈付军,李奕,侯伟.  中国安防. 2017(04)
[2]基于深度网络的可学习感受野算法在图像分类中的应用[J]. 王博,郭继昌,张艳.  控制理论与应用. 2015(08)
[3]一种新的空间直方图相似性度量方法及其在目标跟踪中的应用[J]. 姚志均.  电子与信息学报. 2013(07)
[4]基于粒子Mean Shift迁移的红外人体目标跟踪算法[J]. 云廷进,郭永彩,高潮.  计算机学报. 2009(06)
[5]复杂场景下的变形目标跟踪[J]. 史泽林,王俊卿,黄莎白.  光电工程. 2005(01)



本文编号：3317608