資源描述：
《基于序貫層級特征的多目標跟蹤方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、電子科技大學(xué)UNIVERSITYOFELECTRONICSCIENCEANDTECHNOLOGYOFCHINA碩士學(xué)位論文MASTERTHESIS論文題目基于序貫層級特征的多目標跟蹤方法研究學(xué)科專業(yè)通信與信息系統(tǒng)學(xué)號2015121010708作者姓名馮浩洋指導(dǎo)教師李曉峰教授分類號密級注1UDC學(xué)位論文基于序貫層級特征的多目標跟蹤方法研究（題名和副題名）馮浩洋（作者姓名）指導(dǎo)教師李曉峰教授電子科技大學(xué)成都（姓名、職稱、單位名稱）申請學(xué)位級別碩士學(xué)科專業(yè)通信與信息系統(tǒng)提交論文日期2018.04.02論文答辯日期2018.05.24學(xué)位授予單位和日期電子科技大學(xué)2018年0
2、6月答辯委員會主席評閱人注1：注明《國際十進分類法UDC》的類號。ResearchonMultipleObjectTrackingMethodBasedonSequentialandHierarchicalFeaturesAMasterThesisSubmittedtoUniversityofElectronicScienceandTechnologyofChinaDiscipline:CommunicationandInformationSystemAuthor:HaoyangFengSupervisor:Prof.XiaofengLiSchoolofInforma
3、tion&CommunicationSchool:Engineering摘要摘要多目標跟蹤是計算機視覺領(lǐng)域一個重要的研究點，而適應(yīng)于多目標跟蹤任務(wù)的特征表達是決定跟蹤算法精度的關(guān)鍵因素之一。區(qū)別于人工設(shè)計特征適用范圍窄，不能完全反映目標本質(zhì)信息的缺點，深度神經(jīng)網(wǎng)絡(luò)具有特征自提取的功能。通過設(shè)計合適的網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)，深度神經(jīng)網(wǎng)絡(luò)能夠滿足各種不同的計算機視覺任務(wù)的特征提取要求，并且反映待提取目標的內(nèi)在屬性。多目標跟蹤任務(wù)一般首先通過目標檢測器給出視頻序列每一幀中各目標所在位置，跟蹤算法通過幀間和幀內(nèi)目標間的特征關(guān)系將相同目標關(guān)聯(lián)在一起，將不同目標區(qū)分開來。而且，多目標
4、跟蹤任務(wù)一般跟蹤同類目標的多個不同個體，故多目標跟蹤特征應(yīng)該既具備時空上的序貫性，又存在不同個體的差異性。所以，普通的用于多分類的特征將不再適應(yīng)于多目標跟蹤任務(wù)。受深度學(xué)習(xí)特征自提取特性的啟發(fā)，本論文主要圍繞多目標跟蹤的特征提取問題，設(shè)計實現(xiàn)了層級棧式自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)和適應(yīng)于多目標跟蹤序貫性和互異性特點的損失函數(shù)。通過樣本學(xué)習(xí)，使該網(wǎng)絡(luò)獲得能夠在線自動提取序貫層級特征的性能。同時，為了解決目標檢測器在跟蹤算法運行前給出不穩(wěn)定檢測的問題，本文通過隨機森林和梯度提升兩種集成學(xué)習(xí)的方法，將目標的序貫層級特征與視頻序列的上下文時空特征進行融合降維，得到適用于多目標跟蹤算法的
5、魯棒的融合特征及各目標之間的相似度度量。隨機森林和梯度提升法的參數(shù)調(diào)優(yōu)和降維策略將被著重研究。最后，本文改進了多目標跟蹤最小費用最大流模型，一定程度上解決了目標間的遮擋問題，將上述魯棒的融合特征及通過集成學(xué)習(xí)得到的相似度度量應(yīng)用于改進的最小費用最大流模型中，通過動態(tài)規(guī)劃的算法求解該模型，降低了時間復(fù)雜度，提升了多目標跟蹤精度。將改進的最小費用最大流模型應(yīng)用于國際權(quán)威的多目標跟蹤測試平臺MOTBenchmark，并將獲得的性能指標與傳統(tǒng)方法和其他國際領(lǐng)先的跟蹤方法進行比較，突出本文多目標跟蹤方法的優(yōu)勢，明確亟待改進的問題。關(guān)鍵詞：多目標跟蹤，神經(jīng)網(wǎng)絡(luò)，層級棧式自編碼器，
6、隨機森林，梯度提升法，最小費用最大流IABSTRACTABSTRACTMultipleobjecttrackingisahot-pointoncomputervisionresearches.Agoodfeatureexpressionwhichissuitableformultipleobjecttrackingdeterminestheaccuracyintrackingalgorithm.Differentfromotherhandcraftfeatures,featuresextractedfromdeepneuralnetworkholdthemostint
7、rinsiccharacteristics.Bydesigningappropriatenetworkstructureanduniquelossfunction,neuralnetworkcansatisfymostofthefeatureextractionrequirementsindifferentcomputervisiontasks.Thepositionsandsizesofobjectsineachframearegivenbyanobjectdetectorasprioriknowledgeinmultipleobjecttrack
