發(fā)布時間：2020-04-11 14:18

【摘要】：目標跟蹤是計算機視覺中的一項基本任務(wù),旨在獲取視頻序列中特定目標的狀態(tài),包括位置、大小等信息。它有許多潛在的應(yīng)用,例如在自動駕駛中實時感知周圍的物體、監(jiān)控視頻分析中自動追蹤可疑的目標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,目標跟蹤領(lǐng)域取得了一些成功。但是,在處理復(fù)雜的測試視頻時,跟蹤算法的表現(xiàn)往往并不盡如人意。比如當目標形變比較大時,跟蹤算法返回的邊界框與目標實際的形狀相比相差比較大。此外,在測試序列較長時,跟蹤算法往往由于持續(xù)地進行模型更新使模型降質(zhì)進而導(dǎo)致跟蹤失敗。這兩個問題,即目標表示不精確及模型非最優(yōu)更新,會嚴重影響跟蹤算法的性能,因此本文主要圍繞這兩個問題展開研究工作并提出一些解決方案。針對目標表示不精確的問題,本文提出使用二值掩模作為網(wǎng)絡(luò)的輸出,并在其上估計一個多自由度的矩形框作為相對精確的跟蹤結(jié)果。在生成用以微調(diào)網(wǎng)絡(luò)參數(shù)的訓(xùn)練樣本時,本文使用Crop and Paste數(shù)據(jù)增強方法來盡可能地利用背景信息、添加一個隨機值到訓(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。在估計矩形框時,本文提出了一種利用視頻幀之間時間相關(guān)性的目標邊界框估計方法。該方法估計的邊界框含有五個自由參數(shù),比之前跟蹤方法中估計的矩形框多兩個自由參數(shù),因此本文中的矩形框?qū)δ繕说谋硎靖鼮榫�確。實驗表明本文的方法在實時性方法中達到了最好的性能。針對模型非最優(yōu)更新的問題,本文提出了一個一定程度上進行最優(yōu)模型更新的最小化目標式。在該目標式中,存在著兩項挑戰(zhàn)。其一是新生成的目標模型不可靠。為了解決這個問題,式中使用一個懲罰項來限制學(xué)習到的目標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)進行,目標模型可能會發(fā)生降質(zhì)。為了應(yīng)對這個難題,式中使用了一個重初始化項。此外,為了控制變換矩陣的復(fù)雜度,目標式中還加入了正則化項。該最小化目標式的解,在一些簡化的情況下,會退化到指數(shù)滑動平均(EMA)。這表明本文的方法可以視作EMA的一種擴展。最后,在一些常用數(shù)據(jù)集上的實驗驗證了本文提出的模型更新方法在相對長時情景下的有效性�？偨Y(jié)而言,本文提出使用掩模表示網(wǎng)絡(luò)的輸出,并基于該輸出估計一個多自由度的矩形框來改善之前跟蹤方法中目標表示不精確的問題。除此之外,本文還提出了一個正則化和重初始化的最小化目標式來解決長時情景中模型非最優(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，如圖１．１所示。測試視頻序列中的目逡逑標，，隨著時間的流逝，它的寬高比及在平面內(nèi)的旋轉(zhuǎn)角度會發(fā)生變化。此時若估逡逑計的矩形框一味地沿用初始幀中目標的寬高比及平面內(nèi)旋轉(zhuǎn)角度，則它將不能逡逑很好地分界目標與非目標區(qū)域，即在包裹盡可能多的前景像素的同時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的寬高比及旋轉(zhuǎn)角度。這導(dǎo)致這些跟蹤方法估計的矩形框很不精確。逡逑其二是長時情景中的模型非最優(yōu)更新問題。長時跟蹤情景中，因為目標的外逡逑觀會逐漸變化，所以進行模型更新是必要的。但是，若隨著跟蹤的進行持續(xù)地更逡逑新模型，模型會由于一些嚴重的污染例如模糊和遮擋等或者小的錯誤累積而退逡逑化降質(zhì)。目標模型退化降質(zhì)以后

要一個叫做矩形框估計器１４８１的額外模塊。后者則需要一組啟發(fā)式的閾值。為了逡逑簡化，這些工作都假定目標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)實際的測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。為了這個目逡逑標，本文直接使用一個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)習的方式將之遷移到目標跟蹤任務(wù)上。在監(jiān)督網(wǎng)絡(luò)訓(xùn)練的時候，經(jīng)典的逡逑語義分割模型需要逐像素的標簽，然而這種精細的信息在目標跟蹤任務(wù)標準的逡逑設(shè)置中是得不到的。在標準的設(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矩形框１１］。為了得到逐像素的標簽，之前傳統(tǒng)的追求像素級跟蹤結(jié)逡逑果的方法或者依靠一個外部算法［７１］，例如或者需要一個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】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 石武禎;寧紀鋒;顏永豐;;壓縮感知跟蹤中的特征選擇與目標模型更新[J];中國圖象圖形學(xué)報;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;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];中國圖象圖形學(xué)報;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;計春雷;;基于支持向量機的彩色序列圖像復(fù)原模型更新算法[J];上海電機學(xué)院學(xué)報;2009年04期

6 楊惠蘭;謝毅;趙雪汝;張維;何先友;;事件持續(xù)時間對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;;一種帶模型更新的GPR在線軟測量方法[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模型更新方法研究[J];自動化學(xué)報;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制的JITL-MPLS故障監(jiān)測方法[J];計算機與應(yīng)用化學(xué);2018年06期

10 王英杰;焦彬洋;姚忠達;時瑾;;基于實測數(shù)據(jù)的車軌耦合模型更新方法[J];振動.測試與診斷;2018年02期

相關(guān)會議論文 前3條

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

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

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

相關(guān)博士學(xué)位論文 前7條

1 楊格;基于控制點和本構(gòu)模型更新的混合試驗方法及平臺實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2018年

2 李遠征;人體目標跟蹤和表情識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;基于目標表征學(xué)習和更新建模的視頻跟蹤技術(shù)研究[D];中國科學(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中的應(yīng)用[D];江南大學(xué);2018年

3 楊治國;視頻監(jiān)控中行人檢測與跟蹤的算法研究[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：2623687