資源描述：
《基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、碩士學(xué)位論文基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究RESEARCHONVISUALTRACKINGBASEDONDEEPLEARNING李藍(lán)星哈爾濱工業(yè)大學(xué)2018年6月國(guó)內(nèi)圖書分類號(hào)：TP317.4學(xué)校代碼：10213國(guó)際圖書分類號(hào)：681.39密級(jí)：公開工程碩士學(xué)位論文基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究碩士研究生：李藍(lán)星導(dǎo)師：劉紹輝副教授申請(qǐng)學(xué)位：工程碩士學(xué)科：計(jì)算機(jī)技術(shù)所在單位：計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院答辯日期：2018年6月授予學(xué)位單位：哈爾濱工業(yè)大學(xué)ClassifiedIndex:317.4U.D.C:681.39Diss
2、ertationfortheMasterDegreeinEngineeringRESEARCHONVISUALTRACKINGBASEDONDEEPLEARNINGCandidate：LiLanxingSupervisor：AssociateProf.LiuShaohuiAcademicDegreeAppliedfor：MasterofEngineeringSpeciality：ComputerTechnologyAffiliation：SchoolofComputerScienceandTechnologyDate
3、ofDefence：June,2018Degree-Conferring-Institution：HarbinInstituteofTechnology摘要摘要目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的重要研究方向，備受國(guó)內(nèi)外研究學(xué)者的關(guān)注。目標(biāo)跟蹤算法有許多應(yīng)用場(chǎng)景，典型的有：人機(jī)的交互、自動(dòng)駕駛以及智能視頻監(jiān)控等。目標(biāo)跟蹤算法的任務(wù)，是在給定目標(biāo)物體初始狀態(tài)之后，估計(jì)目標(biāo)在后續(xù)視頻中的狀態(tài)。然而，經(jīng)過多年努力，仍有影響跟蹤算法性能的因素，如外形變化、光照變化、遮擋等，這些因素會(huì)降低跟蹤算法的魯棒性，因此，對(duì)跟蹤算法進(jìn)行更深入的研
4、究十分必要。傳統(tǒng)的目標(biāo)跟蹤算法采用相關(guān)濾波框架，用手工設(shè)計(jì)的底層視覺特征對(duì)目標(biāo)表觀進(jìn)行建模，雖然相關(guān)濾波利用頻域計(jì)算使得跟蹤速度提升，但手工特征或者淺層分類器提取的特征，僅有有限的對(duì)目標(biāo)表觀模型的語義信息預(yù)測(cè)能力，使得跟蹤精度提升緩慢。近年來，隨著深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域的廣泛應(yīng)用，目標(biāo)跟蹤逐漸引用深度學(xué)習(xí)技術(shù)中卷積神經(jīng)網(wǎng)絡(luò)與殘差網(wǎng)絡(luò)等模型，提取目標(biāo)更加豐富準(zhǔn)確的特征信息，使得目標(biāo)跟蹤算法的性能和魯棒性得到大幅提升。本文主要研究基于深度學(xué)習(xí)的目標(biāo)跟蹤算法，利用卷積神經(jīng)網(wǎng)絡(luò)搭建端到端的跟蹤框架，對(duì)視頻序列中的目標(biāo)狀
5、態(tài)進(jìn)行預(yù)測(cè)。并且進(jìn)一步研究了通過使用孿生網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)，學(xué)習(xí)和遷移圖像特征，構(gòu)建魯棒目標(biāo)表觀特征，結(jié)合相關(guān)濾波對(duì)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤。在端到端的深度學(xué)習(xí)跟蹤框架中，采用了包含三層卷積與三層全連接的分類網(wǎng)絡(luò)模型，并通過兩種方法對(duì)其進(jìn)行優(yōu)化：（1）在模型中添加空間金字塔池化網(wǎng)絡(luò)（SPPNet）處理多尺度的圖片輸入，使得模型適應(yīng)目標(biāo)物體的尺度變化；（2）將模型低層卷積提取的表觀特征與高層卷積提取的語義特征相結(jié)合，對(duì)目標(biāo)進(jìn)行建模，提高對(duì)目標(biāo)物體識(shí)別的準(zhǔn)確性?；趯\生網(wǎng)絡(luò)與相關(guān)濾波相結(jié)合的研究中，通過在網(wǎng)絡(luò)模型中加入Attenti
6、on機(jī)制，對(duì)提取的深度特征賦予不同的權(quán)重，使得算法更好地適應(yīng)跟蹤場(chǎng)景。最后本文搭建出基于端到端的深度模型跟蹤框架與結(jié)合深度特征的相關(guān)濾波框架，并通過上述方法進(jìn)行優(yōu)化實(shí)驗(yàn)，算法性能與baseline相比，在不降低跟蹤速率的前提下精度更高、魯棒性更好。關(guān)鍵詞：目標(biāo)跟蹤；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；孿生網(wǎng)絡(luò)-I-AbstractAbstractVisualtrackingisanimportantbranchinComputerVision,whichattractsattentionsfrommanyscholars.Ith
7、asbeenappliedtomanyscenes,intelligentvideosurveillance,automatictransmission,human-computerinteraction,etc.Thetaksofvisualtrackingisestimatingthestateofonearbitrarytargetinvideosequencesbasedonthegroundtruthgivenatthefirstframe.Whileelementsstillexisttoinfluenc
8、etheperformanceofthetrackingalgorithm,suchasscalevariation,fastmotion,occlusionsanddeformation,thatmakeithardtotrack.Itisnecessarytomakefurtherresearchinvisualtracking.Corre
