基于双神经网络的目标跟踪的研究与应用

更新时间:2019-11-02 10:44点击数:
基于双神经网络的目标跟踪的研究与应用
马辛
[概述]目标跟踪是计算机视觉领域中一项基本但仍具有挑战性的任务,并且是国内外专家和学者关注的焦点。
客观跟踪可以应用于各种视野,例如智能视频监控和驾驶员与计算机的交互。
目标跟踪算法的任务是预测在视频序列的第一帧中的初始感兴趣状态之后,后续视频帧中目标对象状态的变化,并标记其位置和大小。。
尽管近年来对目标跟踪算法的研究取得了长足的进步,但是仍然存在诸如遮挡,外观变化,比例变化以及其他影响跟踪算法性能的因素。另外,必须考虑算法的实时性。
因此,需要对跟踪算法进行更深入的研究。
基于相关过滤器的方法与目标跟踪参考测试配合使用,但是大多数方法仅使用手工外观特征来表示跟踪目标,因此您可以表示目标目的是有限的并且干扰诸如遮挡和背景噪声的因素。通常您不会获得满意的表现
本文提出了一个基于双网络的端到端特征集成框架,用于特征提取问题。该框架有效地将CNN功能与手动设计功能集成在一起,解决了特征融合中的学习参数问题,并改善了目标跟踪。设备的多功能性。
自2016年以来,基于双网络的目标跟踪算法已开始普遍出现,并在几场比赛中均取得了不错的成绩。
最有代表性的是基于总卷积孪生网络跟踪算法(SiamFC)。在满足速度方面的实时要求的同时,由于AlexNet浅和缺少在线更新,因此在目标对象上生成了算法。跟进
考虑到SiamFC的问题,本文在双网跟踪算法的框架内采用了四层卷积双网模型,并通过两种方式对其进行了优化。(1)在通过AlexNet替换特征提取网络进行更改之后,适用于目标跟踪任务的VGG网络使用了最深层网络中最强大的信息表示功能来提高跟踪精度。(2)基于此,通过两种关注机制调整模型以进一步提高网络模型的辨别能力的新算法选择性地强调了有用信息而抑制了较少有用信息因为实际场景可以更好地应用算法
最后,为了验证该算法的有效性,基于关注机制构建了一个双跟踪框架,该框架在常见的OTB数据集上运行实验。
结果表明,在不降低跟踪速度的情况下,该算法的性能改进比其他比较算法更好,更健壮。
[学位学分]:中国矿业大学[学校]:硕士学位[授权]:2019[分类]:TP391。
41; TP183
下载全文
更多类似的文献