基于辅助更新模型和有效性检验的运动跟踪算法

摘要

运动跟踪已成为计算机视觉领域的热点之一，其包含人工智能，图像处理，自动控制，模式识别等许多领域。可以将其应用到现实生活中的很多地方，包括公共交通，智能监控，医疗诊断及视觉制导等。现在深度学习在特征抽取方面取得了优秀的表现。已经有一些深度学习应用到视觉跟踪的实例。本文从以下几个方面对运动跟踪问题进行研究，具体研究内容如下：
　　首先，现有深度学习跟踪算法太过关注跟踪精度的提升从而牺牲了速度。因此本论文在现有跟踪器的基础上简化了网络的结构，并使用另一个模型辅助更新表观模型，即辅助更新模型。这两种模型在跟踪过程中使用了不同的算法。简化的模型在跟踪中速度更快，由于使用了两种不同的算法，因此本文提出的跟踪算法可以在不同的环境变化强度下使用不同的结合方式进行模型的更新。并且通过在底层应用降噪自动编码算法，解决了BP算法的梯度扩散问题。实验证明改进后的模型在保证精度的前提下得到更快的速度。
　　其次，在粒子滤波算法的基础上提出动态粒子滤波算法，可以在跟踪过程中根据模型的状态动态变更粒子的数量。本算法可以根据模型状态的变化适当减少粒子数量，并在模型精度陡降时及时增加粒子，从而加快跟踪速度。
　　再次，提出目标核对算法。利用部分表观模型及降噪自动编码算法结合正样本对模型筛选出的若干最优目标进行过滤，从而筛选出更合理的目标，提升算法精度。
　　最后，本论文使用online object tracking benchmark进行了测评。数据集中包括50个视频序列，并分析了10种试验中影响精度的因素。实验的结果表明本论文提出的算法与现有的深度学习跟踪算法相比，在不降低精度的同时，提高跟踪速度。

目录

声明

第1章 绪 论

1.1 研究背景

1.2 研究现状

1.3 研究内容

1.4 本文结构

第2章 基础知识概述

2.1 深度学习跟踪器的基本概念

2.2 神经网络的相关算法

2.3 BP算法

2.4 降噪自动编码

2.5 粒子滤波

2.6 本章小结

第3章 基于辅助更新模型和有效性检验的跟踪算法

3.1 问题分析

3.2 总体流程

3.3 离线训练

3.4 在线跟踪

3.5 模型调优

3.6 本章小结

第4章 实 验

4.1 环境配置及实现细节

4.2 数据集及评价标准

4.3 结果阐述

4.4 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢