基于CNN与RNN结构化处理的目标跟踪算法研究

• 作 者: 许多
• 出 处: 西安电子科技大学
• 发表日期: 2020年02期
• 关键词: 卷积神经网络 循环神经网络 目标跟踪 深度学习 网络结构

目标跟踪是计算机视觉领域中重要的研究内容之一,在国防军事、安防体系和日常生活中均有广泛应用。但实际场景中往往会出现如运动模糊、尺度变换和复杂背景等复杂情况,使得跟踪算法的性能难以保障。基于深度学习的目标跟踪算法使用卷积神经网络(Convolutional Neural Network,CNN)对图像进行特征提取,这些特征具有更强的泛化能力和更优秀的特征刻画能力,可以有效提升算法的准确性。但基于CNN的算法无法对相似目标有效区分,为进一步提升跟踪算法的准确性和实时性,本文设计了一种将卷积神经网络与循环神经网络(Recurrent Neural Network,RNN)相结合的结构化处理网络(Structured Processing Network,SPNet)用于目标跟踪,具体内容如下:(1)采用离线预训练与在线调整相结合的方法,对目标进行特征提取与跟踪。针对当前基于CNN的目标跟踪算法对相似目标跟踪效果较差的问题,提出了使用RNN进行结构化处理的方法。CNN用于类间判别,提供目标物体和背景之间的判别性,RNN对目标建立模型,用于区分相似目标。由于传统的链式结构RNN不适用于图像,本文采用无向循环图来表示图像单元的连接结构,提取目标结构信息,从而提供目标物体和相似物之间的判别性,提高算法精确度。(2)SPNet在分类层之前引入RolAlign层,该层的本质是针对候选区域的一种池化,作用是加速特征提取的同时保证特征质量,实现数据降维防止过拟合,从而提高算法的实时性。(3)SPNet采用典型负样本挖掘的方式生成负样本,以提高算法准确性,引入相似损失衡量相似目标之间差异性,跟踪结果使用边界框回归器微调,从而进一步提升算法的准确性,最后采用长短时互补的模型更新策略来进一步提高算法性能。最后设计相关实验,将本文提出的SPNet与当前高性能跟踪算法进行对比。实验结果表明,SPNet在光照变化、目标形变和遮挡等复杂情况下仍有较好跟踪效果,在准确性和实时性方面具有一定优越性。