發(fā)布時(shí)間：2020-04-11 14:18

【摘要】：目標(biāo)跟蹤是計(jì)算機(jī)視覺中的一項(xiàng)基本任務(wù),旨在獲取視頻序列中特定目標(biāo)的狀態(tài),包括位置、大小等信息。它有許多潛在的應(yīng)用,例如在自動(dòng)駕駛中實(shí)時(shí)感知周圍的物體、監(jiān)控視頻分析中自動(dòng)追蹤可疑的目標(biāo)及視頻編輯中輔助提取感興趣的區(qū)域。經(jīng)過數(shù)十年的研究,目標(biāo)跟蹤領(lǐng)域取得了一些成功。但是,在處理復(fù)雜的測(cè)試視頻時(shí),跟蹤算法的表現(xiàn)往往并不盡如人意。比如當(dāng)目標(biāo)形變比較大時(shí),跟蹤算法返回的邊界框與目標(biāo)實(shí)際的形狀相比相差比較大。此外,在測(cè)試序列較長(zhǎng)時(shí),跟蹤算法往往由于持續(xù)地進(jìn)行模型更新使模型降質(zhì)進(jìn)而導(dǎo)致跟蹤失敗。這兩個(gè)問題,即目標(biāo)表示不精確及模型非最優(yōu)更新,會(huì)嚴(yán)重影響跟蹤算法的性能,因此本文主要圍繞這兩個(gè)問題展開研究工作并提出一些解決方案。針對(duì)目標(biāo)表示不精確的問題,本文提出使用二值掩模作為網(wǎng)絡(luò)的輸出,并在其上估計(jì)一個(gè)多自由度的矩形框作為相對(duì)精確的跟蹤結(jié)果。在生成用以微調(diào)網(wǎng)絡(luò)參數(shù)的訓(xùn)練樣本時(shí),本文使用Crop and Paste數(shù)據(jù)增強(qiáng)方法來盡可能地利用背景信息、添加一個(gè)隨機(jī)值到訓(xùn)練樣本的亮度分量里來模擬光照變化、以及利用高斯濾波的方式來模擬模糊情形。在估計(jì)矩形框時(shí),本文提出了一種利用視頻幀之間時(shí)間相關(guān)性的目標(biāo)邊界框估計(jì)方法。該方法估計(jì)的邊界框含有五個(gè)自由參數(shù),比之前跟蹤方法中估計(jì)的矩形框多兩個(gè)自由參數(shù),因此本文中的矩形框?qū)δ繕?biāo)的表示更為精確。實(shí)驗(yàn)表明本文的方法在實(shí)時(shí)性方法中達(dá)到了最好的性能。針對(duì)模型非最優(yōu)更新的問題,本文提出了一個(gè)一定程度上進(jìn)行最優(yōu)模型更新的最小化目標(biāo)式。在該目標(biāo)式中,存在著兩項(xiàng)挑戰(zhàn)。其一是新生成的目標(biāo)模型不可靠。為了解決這個(gè)問題,式中使用一個(gè)懲罰項(xiàng)來限制學(xué)習(xí)到的目標(biāo)模型到歷史最近的模型之間的距離。其二是隨著跟蹤的持續(xù)進(jìn)行,目標(biāo)模型可能會(huì)發(fā)生降質(zhì)。為了應(yīng)對(duì)這個(gè)難題,式中使用了一個(gè)重初始化項(xiàng)。此外,為了控制變換矩陣的復(fù)雜度,目標(biāo)式中還加入了正則化項(xiàng)。該最小化目標(biāo)式的解,在一些簡(jiǎn)化的情況下,會(huì)退化到指數(shù)滑動(dòng)平均(EMA)。這表明本文的方法可以視作EMA的一種擴(kuò)展。最后,在一些常用數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了本文提出的模型更新方法在相對(duì)長(zhǎng)時(shí)情景下的有效性。總結(jié)而言,本文提出使用掩模表示網(wǎng)絡(luò)的輸出,并基于該輸出估計(jì)一個(gè)多自由度的矩形框來改善之前跟蹤方法中目標(biāo)表示不精確的問題。除此之外,本文還提出了一個(gè)正則化和重初始化的最小化目標(biāo)式來解決長(zhǎng)時(shí)情景中模型非最優(yōu)更新的問題。
【圖文】：

雖然經(jīng)過學(xué)術(shù)界與工業(yè)界的共同努力，目標(biāo)跟蹤領(lǐng)域取得了一些成功，但是逡逑它仍面臨著一些挑戰(zhàn)。其一是視頻序列中的目標(biāo)外形復(fù)雜多變，固定寬高比及逡逑旋轉(zhuǎn)角度的矩形框不能較好地包裹住目標(biāo)，如圖１．１所示。測(cè)試視頻序列中的目逡逑標(biāo)，，隨著時(shí)間的流逝，它的寬高比及在平面內(nèi)的旋轉(zhuǎn)角度會(huì)發(fā)生變化。此時(shí)若估逡逑計(jì)的矩形框一味地沿用初始幀中目標(biāo)的寬高比及平面內(nèi)旋轉(zhuǎn)角度，則它將不能逡逑很好地分界目標(biāo)與非目標(biāo)區(qū)域，即在包裹盡可能多的前景像素的同時(shí)包裹盡可逡逑能少的背景像素。然而，現(xiàn)在多數(shù)的跟蹤方法往往采用了上述做法，即沿用初始逡逑幀中目標(biāo)的寬高比及旋轉(zhuǎn)角度。這導(dǎo)致這些跟蹤方法估計(jì)的矩形框很不精確。逡逑其二是長(zhǎng)時(shí)情景中的模型非最優(yōu)更新問題。長(zhǎng)時(shí)跟蹤情景中，因?yàn)槟繕?biāo)的外逡逑觀會(huì)逐漸變化，所以進(jìn)行模型更新是必要的。但是，若隨著跟蹤的進(jìn)行持續(xù)地更逡逑新模型，模型會(huì)由于一些嚴(yán)重的污染例如模糊和遮擋等或者小的錯(cuò)誤累積而退逡逑化降質(zhì)。目標(biāo)模型退化降質(zhì)以后

要一個(gè)叫做矩形框估計(jì)器１４８１的額外模塊。后者則需要一組啟發(fā)式的閾值。為了逡逑簡(jiǎn)化，這些工作都假定目標(biāo)矩形框的寬高比和旋轉(zhuǎn)角度不變。然而，這種假定在逡逑多數(shù)實(shí)際的測(cè)試視頻中是不合理的，參見圖２．１。逡逑為了解決上述局限，本文提出使用掩模作為ＣＮＮ的輸出表示。為了這個(gè)目逡逑標(biāo)，本文直接使用一個(gè)主流的語義分割模型ＤｅｅｐＬａｂｌＷ作為基礎(chǔ)模型，并通過逡逑在線學(xué)習(xí)的方式將之遷移到目標(biāo)跟蹤任務(wù)上。在監(jiān)督網(wǎng)絡(luò)訓(xùn)練的時(shí)候，經(jīng)典的逡逑語義分割模型需要逐像素的標(biāo)簽，然而這種精細(xì)的信息在目標(biāo)跟蹤任務(wù)標(biāo)準(zhǔn)的逡逑設(shè)置中是得不到的。在標(biāo)準(zhǔn)的設(shè)置中，所能得到的信息就僅僅只有視頻初始幀逡逑中給定的目標(biāo)矩形框１１］。為了得到逐像素的標(biāo)簽，之前傳統(tǒng)的追求像素級(jí)跟蹤結(jié)逡逑果的方法或者依靠一個(gè)外部算法［７１］，例如或者需要一個(gè)被閾值化逡逑的由他們的概率模型生成的置信圖［７２］。但是
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 石武禎;寧紀(jì)鋒;顏永豐;;壓縮感知跟蹤中的特征選擇與目標(biāo)模型更新[J];中國(guó)圖象圖形學(xué)報(bào);2014年06期

2 劉亞娟;莊肖波;;基于選擇性模型更新與卡爾曼濾波的目標(biāo)模型更新算法[J];科學(xué)技術(shù)與工程;2012年34期

3 黃安奇;侯志強(qiáng);余旺盛;劉翔;;利用背景加權(quán)和選擇性子模型更新的視覺跟蹤算法[J];中國(guó)圖象圖形學(xué)報(bào);2014年09期

4 黑石頭;;邪神的爪牙——戰(zhàn)錘混沌戰(zhàn)士[J];模型世界;2008年12期

5 黎明;計(jì)春雷;;基于支持向量機(jī)的彩色序列圖像復(fù)原模型更新算法[J];上海電機(jī)學(xué)院學(xué)報(bào);2009年04期

6 楊惠蘭;謝毅;趙雪汝;張維;何先友;;事件持續(xù)時(shí)間對(duì)情景模型更新的影響[J];心理科學(xué);2016年02期

7 鐘懷兵;熊偉麗;徐保國(guó);;一種帶模型更新的GPR在線軟測(cè)量方法[J];控制工程;2018年02期

8 沈志熙;楊欣;黃席樾;;均值漂移算法中的目標(biāo)模型更新方法研究[J];自動(dòng)化學(xué)報(bào);2009年05期

9 張亞X;高學(xué)金;曹彩霞;李亞芬;王普;;一種帶有模型更新機(jī)制的JITL-MPLS故障監(jiān)測(cè)方法[J];計(jì)算機(jī)與應(yīng)用化學(xué);2018年06期

10 王英杰;焦彬洋;姚忠達(dá);時(shí)瑾;;基于實(shí)測(cè)數(shù)據(jù)的車軌耦合模型更新方法[J];振動(dòng).測(cè)試與診斷;2018年02期

相關(guān)會(huì)議論文 前3條

1 謝毅;王靖;何先友;;文本閱讀中時(shí)間轉(zhuǎn)換的加工和監(jiān)測(cè)[A];第十五屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2012年

2 李波;袁保宗;;LMSF Mean Shift目標(biāo)跟蹤算法[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

3 韓正之;;HAC合成過程的建模[A];1997年中國(guó)控制會(huì)議論文集[C];1997年

相關(guān)博士學(xué)位論文 前7條

1 楊格;基于控制點(diǎn)和本構(gòu)模型更新的混合試驗(yàn)方法及平臺(tái)實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2018年

2 李遠(yuǎn)征;人體目標(biāo)跟蹤和表情識(shí)別中的若干問題研究[D];西安電子科技大學(xué);2013年

3 郭甲騰;地礦三維集成建模與空間分析方法及其應(yīng)用[D];東北大學(xué);2013年

4 陳永盛;基于截面屈服面模型更新的框架結(jié)構(gòu)混合試驗(yàn)方法[D];哈爾濱工業(yè)大學(xué);2015年

5 蔣良衛(wèi);圖像序列中目標(biāo)跟蹤技術(shù)研究[D];華中科技大學(xué);2013年

6 王濤;基于模型更新的土木結(jié)構(gòu)混合試驗(yàn)方法[D];哈爾濱工業(yè)大學(xué);2014年

7 伍博;基于顯著性的視覺目標(biāo)跟蹤研究[D];電子科技大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 黃江雷;基于目標(biāo)表征學(xué)習(xí)和更新建模的視頻跟蹤技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

2 陳令奕;近紅外模型更新方法及在食品檢測(cè)中的應(yīng)用[D];江南大學(xué);2018年

3 楊治國(guó);視頻監(jiān)控中行人檢測(cè)與跟蹤的算法研究[D];湖南大學(xué);2015年

4 郭東生;農(nóng)產(chǎn)品品質(zhì)檢測(cè)模型更新方法研究[D];江南大學(xué);2018年

5 劉陽;基于多模型框架的跟蹤算法研究[D];華中科技大學(xué);2017年

6 劉桐;針對(duì)樣本選擇和模型控制的跟蹤算法研究[D];天津大學(xué);2017年

7 李永s

本文編號(hào)：2623687