基于輔助更新模型和有效性檢驗(yàn)的運(yùn)動(dòng)跟蹤算法.pdf

1、運(yùn)動(dòng)跟蹤已成為計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)之一，其包含人工智能，圖像處理，自動(dòng)控制，模式識(shí)別等許多領(lǐng)域。可以將其應(yīng)用到現(xiàn)實(shí)生活中的很多地方，包括公共交通，智能監(jiān)控，醫(yī)療診斷及視覺制導(dǎo)等?，F(xiàn)在深度學(xué)習(xí)在特征抽取方面取得了優(yōu)秀的表現(xiàn)。已經(jīng)有一些深度學(xué)習(xí)應(yīng)用到視覺跟蹤的實(shí)例。本文從以下幾個(gè)方面對(duì)運(yùn)動(dòng)跟蹤問題進(jìn)行研究，具體研究內(nèi)容如下：
　　首先，現(xiàn)有深度學(xué)習(xí)跟蹤算法太過關(guān)注跟蹤精度的提升從而犧牲了速度。因此本論文在現(xiàn)有跟蹤器的基礎(chǔ)上簡化了網(wǎng)絡(luò)的

2、結(jié)構(gòu)，并使用另一個(gè)模型輔助更新表觀模型，即輔助更新模型。這兩種模型在跟蹤過程中使用了不同的算法。簡化的模型在跟蹤中速度更快，由于使用了兩種不同的算法，因此本文提出的跟蹤算法可以在不同的環(huán)境變化強(qiáng)度下使用不同的結(jié)合方式進(jìn)行模型的更新。并且通過在底層應(yīng)用降噪自動(dòng)編碼算法，解決了BP算法的梯度擴(kuò)散問題。實(shí)驗(yàn)證明改進(jìn)后的模型在保證精度的前提下得到更快的速度。
　　其次，在粒子濾波算法的基礎(chǔ)上提出動(dòng)態(tài)粒子濾波算法，可以在跟蹤過程中根據(jù)模型的

3、狀態(tài)動(dòng)態(tài)變更粒子的數(shù)量。本算法可以根據(jù)模型狀態(tài)的變化適當(dāng)減少粒子數(shù)量，并在模型精度陡降時(shí)及時(shí)增加粒子，從而加快跟蹤速度。
　　再次，提出目標(biāo)核對(duì)算法。利用部分表觀模型及降噪自動(dòng)編碼算法結(jié)合正樣本對(duì)模型篩選出的若干最優(yōu)目標(biāo)進(jìn)行過濾，從而篩選出更合理的目標(biāo)，提升算法精度。
　　最后，本論文使用online object tracking benchmark進(jìn)行了測(cè)評(píng)。數(shù)據(jù)集中包括50個(gè)視頻序列，并分析了10種試驗(yàn)中影響精度的因素