论文部分内容阅读
目标跟踪是计算机视觉的一项重要任务,它是一个对目标状态进行持续推理的过程,因为其广泛应用,所以一直受到人们的关注。目前目标跟踪普遍应用于道路监控、目标识别与分类、军事探测等领域。近年来,人们不断提出新的跟踪算法,期望在实时性和精确性间达到一个平衡,但依然面临着诸多挑战,如物体突然移动、光照变化、相似背景、目标被遮挡等,这些因素都有可能导致目标的漂移甚至跟踪失败。因此,如何使跟踪更具鲁棒性依然是一项具有挑战性的课题。深度学习是机器学习算法中的一项新技术,其动机在于创建一个神经网络并利用它模拟人脑进行分析学习。近年来深度学习发展迅猛,广泛应用于检测、识别、跟踪等领域。本文在已有的跟踪理论和成果的基础上,对传统的基于深度学习的跟踪算法进行深入研究,针对其存在的问题,提出了一些改进的算法。本文主要研究工作和创新点如下:(1)本文首先阐述了目标跟踪和深度学习的时代背景,其次研究了目标跟踪的基本理论,最后在近年来以深度学习为基础的跟踪算法中选取主流算法进行改进。在实验部分,选取数据集上的视频序列和自采集的视频序列作为实验对象,将本文算法与主流算法进行对比分析。(2)提出了一种基于深度学习和支持向量机的目标跟踪算法(Object Tracking Based on Deep Learning and Support Vector Machine,OT-DLSVM)。该算法首先构建 了一个基于自编码器的深度网络,通过在网络中加入稀疏约束,减少了深度网络的参数,提升了算法的效率,用此网络提取的特征更能表征目标。在对目标进行预测时,将目标和背景的差异引入粒子滤波中,设计了基于支持向量机的打分器,增强了粒子的表现力,使得跟踪结果更具可靠性。实验结果表明,该算法具有较高的抗遮挡能力,在光照发生变化以及存在相似背景时仍能实现对目标的准确跟踪。(3)提出了一种基于K稀疏深度网络和改进粒子滤波的目标跟踪算法(Object Tracking Based on K-sparse Depth Network and Improved Particle Filter,OT-KSDN)。该算法通过在深度去噪自编码器中加入K稀疏约束,使隐藏层中活跃度最高的K个单元被激活,从而构建了一个K稀疏深度网络,利用此网络提取的特征更易于分类。同时,在重采样中线性组合高低权值粒子,由此生成的粒子是全新的,同传统算法相比,粒子的多样性得以提高。测试结果说明,该算法在光照发生变化、被遮挡以及姿态改变的环境下,能有效地追踪到目标。(4)提出了基于多策略搜索的目标跟踪算法(Object Tracking based on Multi-Strategy Search,OT-MSS)。该算法首先通过将选择性搜索和粒子滤波相结合来产生目标候选区域,其次在特征提取时通过卷积神经网络和深度去噪自编码器协同提取特征,最后结合支持向量机来产生粒子置信度并将值最高的粒子判定为目标。实验结果表明,该算法在目标存在部分遮挡、尺度变化、超出视野以及旋转时具有较高的鲁棒性和精确度。