基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤技術(shù)研究

1、碩士學位論文基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤技術(shù)研究技術(shù)研究ResearchesonObjectTrackingBasedonConvolutionalNeuralwks作者姓名：唐爽碩學科、專業(yè)：計算機應(yīng)用技術(shù)學號：21409154指導教師：胡小鵬完成日期：2017.6.5大連理工大學DalianUniversityofTechnology萬方數(shù)據(jù)大連理工大學碩士學位論文I摘要目標跟蹤技術(shù)是圖像處理和計算機視覺領(lǐng)域

2、的一個重要研究方向，無論在軍事領(lǐng)域還是人們的日常生活中都有著廣泛的應(yīng)用，例如在軍事領(lǐng)域中的武器精確制導、偵查預警、無人機飛行器等，以及民用方面的智能交通、機器人視覺導航、醫(yī)療影像診斷等眾多領(lǐng)域都有目標跟蹤技術(shù)的身影。目標跟蹤是在連續(xù)的視頻序列中隨著場景的不斷變化對某一特定目標實現(xiàn)狀態(tài)估計的過程。在實際的跟蹤環(huán)境中，由于成像條件的復雜性和場景的多樣性，使得實現(xiàn)穩(wěn)定有效的目標跟蹤仍然面臨一系列的困難和挑戰(zhàn)。本文針對目標跟蹤過程中的技術(shù)難點，

3、圍繞目標外觀建模對目標跟蹤技術(shù)進行了深入的研究，提出了兩種基于卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤算法。本文針對傳統(tǒng)目標跟蹤算法中的人工構(gòu)造特征表達能力不足、難以提取涉及語義信息的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)多尺度表達的目標跟蹤算法。該方法利用卷積神經(jīng)網(wǎng)絡(luò)可以自動學習圖像中的深層語義信息的特點，結(jié)合拉普拉斯金字塔構(gòu)建多個尺度的卷積網(wǎng)絡(luò)結(jié)構(gòu)。使用視頻跟蹤數(shù)據(jù)集對網(wǎng)絡(luò)模型以參數(shù)共享的方式進行由粗到細的訓練，從而獲取對尺度變化更具魯棒性的目標多尺度外觀

4、表達。最后結(jié)合多示例學習算法的優(yōu)勢，構(gòu)建基于多尺度表達的多示例分類器來實現(xiàn)目標的在線跟蹤，并針對多示例算法易飽和的問題，對多示例算法進行改進。該方法使得目標的外觀模型對目標變化以及尺度變化更加魯棒，可以實現(xiàn)更加穩(wěn)定的跟蹤效果，提高了算法的準確率和成功率。本文針對目標跟蹤過程中的目標變化導致的漂移現(xiàn)象，提出了一種基于Attention機制的目標跟蹤算法。該方法將視頻序列的初始幀內(nèi)容作為記憶單元，使得網(wǎng)絡(luò)學習始終保持對初始幀目標特征的記憶，

5、并根據(jù)視頻幀之間的內(nèi)容關(guān)聯(lián)，利用初始幀設(shè)計Attention層次結(jié)構(gòu)，構(gòu)建基于Attention機制的卷積網(wǎng)絡(luò)模型，通過學習使得網(wǎng)絡(luò)自動關(guān)注目標中的關(guān)鍵位置。從網(wǎng)絡(luò)的不同層中提取特征并進行金字塔空間池化處理，構(gòu)建多專家分類器實現(xiàn)目標的在線跟蹤。實驗結(jié)果表明，該方法可以充分考慮目標的初始幀信息以及關(guān)鍵位置，有效緩解在跟蹤過程中由于目標變化出現(xiàn)的漂移現(xiàn)象，實現(xiàn)在多種場景下進行穩(wěn)定有效的跟蹤。關(guān)鍵詞：目標跟蹤；特征提??；卷積神經(jīng)網(wǎng)絡(luò)；Atte