论文部分内容阅读
随着计算机性能的快速发展,计算机及其他智能化设备在人们的日常生活中扮演的角色愈发重要,人们对计算机的定位也在从之前的完全由人类操作向着计算机可以自主学习,自主操作从而达到真正的人工智能这一定位转变。为了适应各个场景及不同任务的要求,提高计算机视觉应用于不同工作状态下的性能,针对计算机视觉不同分支的算法研究日趋火热。本文针对现阶段应用场景广泛的无人机设备,以目标跟踪算法为研究课题,重点研究了无人机场景下的目标形态与特征,基于传统特征提取技术以及卷积神经网络的特征提取技术,结合相关滤波器构造进行目标跟踪模型的构建,主要研究内容分为以下部分。通过对目标跟踪算法的针对初始化目标进行提取视频中目标的位置这一基本任务进行研究。基于任务本身,提出目标跟踪算法的具体步骤并分为各个独立阶段,其中包括目标定位与校准,目标的特征提取,目标的位置定位与标记等阶段。基于具体任务具体分析的前提,提出目标跟踪算法主要部分为特征提取与目标分类,进而对各个阶段进行详细分析与数学证明。通过对不同算法例如KCF,DCFNet,SiamFC,CF等算法进行调研与仿真,对不同算法的特征和分类器类型依照特定的类别进行划分。基于算法总体性能对不同特征,特征提取方式,以及分类器方式进行性能以及适用方向上的划分。进而归纳出不同模型的优缺点以及可能适用于的特定场景。提出传统特征提取的方法与神经网络提取特征的方法具有在数学计算过程方面上的统一性这一假设,得出深度特征与传统特征的相互关系。通过具体模型的数学计算过程研究得出不同特征提取方式以及不同分类器中的具体参数对总体目标跟踪算法模型的时间及空间代价的具体影响。基于不同特征的适用场景不同,对无人机场景进行具体分析。分析该场景下目标的特征。根据这些特征选择并改进具体的特征提取与分类器方法,建立针对该场景下具体目标的目标跟踪模型。提出目标跟踪可以在使用目标在图像中体现的静态特征时结合目标的运动特征,引入目标运动状态预测模块进行模型的优化。