检索结果-南通市图书馆

作者：张延杰云南大学

学位级别：硕士

视频目标跟踪技术能够根据初始帧给定的目标信息,在后续视频帧中得到该目标的运动参数。其在精确制导、智能导航等诸多领域有着广泛的应用前景。但实际的跟踪过程中存在各种复杂的情况,以至于视频目标跟踪算法要面对较多的挑战。本文主... 详细信息

视频目标跟踪技术能够根据初始帧给定的目标信息,在后续视频帧中得到该目标的运动参数。其在精确制导、智能导航等诸多领域有着广泛的应用前景。但实际的跟踪过程中存在各种复杂的情况,以至于视频目标跟踪算法要面对较多的挑战。本文主要针对相关滤波跟踪算法在目标遮挡、背景杂乱、快速运动等挑战中出现的响应图的多峰值的问题,基于多峰检测技术对相关滤波跟踪算法展开研究。本文开展的主要工作如下:第一,针对目标遮挡与目标形变挑战场景中,相关响应图的最大峰值并非总是目标真实位置的问题。本文提出了一种基于峰值变化比与状态判别相结合的跟踪方法。该方法首先对当前帧响应图的状态进行判别。当判断出当前响应图处于多峰值的状态时,不再盲目地选取响应图中的最高峰作为跟踪目标对应的响应峰值,而是采用峰值选择模块,从多个峰值中选择出跟踪目标对应的响应峰值,从而降低多峰值对跟踪算法的影响。基于公开的基准视频集的对比实验表明了,该方法有效促进了跟踪算法在遮挡、形变等复杂场景下的跟踪性能。第二,针对背景杂乱挑战场景下目标定位不准确的问题。基于上一种改进方法,本文提出了一种基于改进后的峰值选择与条件更新的跟踪方法。该方法在跟踪模板的建立中引入了时间正则项和自适应的正则项惩罚系数,结合历史峰值信息对峰值选择模块进行了改进。并对当前模板的更新进行了判别。当算法判断当前响应图符合更新条件时,对跟踪模板和自适应的惩罚系数进行更新。当算法判断当前响应图不符合更新条件时,则跳过该帧,不对跟踪模板与自适应的惩罚系数进行更新,避免跟踪模板与惩罚系数被错误信息所污染。基于公开的基准视频集的对比实验表明了,该方法进一步提高了跟踪方法在复杂场景下,尤其是背景杂乱场景下的跟踪性能。

关键词：目标跟踪相关滤波模板更新多峰值参数自适应

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂场景下基于孪生网络的目标跟踪方法研究

复杂场景下基于孪生网络的目标跟踪方法研究

作者：柳相如中国矿业大学

学位级别：硕士

目标跟踪是通过识别、定位视频或图像序列中的目标,实现目标在时间和空间上的连续追踪,在计算机视觉领域具有重要地位。目标跟踪技术广泛应用于视频监控、自动驾驶、医疗图像分析、机器人视觉等领域,通过分析目标的运动轨迹、速度、加... 详细信息

目标跟踪是通过识别、定位视频或图像序列中的目标,实现目标在时间和空间上的连续追踪,在计算机视觉领域具有重要地位。目标跟踪技术广泛应用于视频监控、自动驾驶、医疗图像分析、机器人视觉等领域,通过分析目标的运动轨迹、速度、加速度等特征,实现对目标行为的分析和预测。基于孪生网络的目标跟踪技术已经取得长足进展,然而在复杂场景下依旧面临诸多挑战,如严重遮挡、光照变化、背景干扰、尺度变化等。针对这些问题,本文主要研究内容如下:(1)针对目标背景干扰、模型复杂度高的问题,提出一种基于门控机制的孪生网络跟踪方法。Siam-FC是经典的孪生网络跟踪模型,用Alex Net网络提取特征,其深度较浅,深层特征识别能力不足。因此,本文引入改进后的轻量化Shuffle Net V2为特征提取网络,实现效率与精度的平衡。此外,加入时域上下文门控网络层,根据历史跟踪结果自适应更新时域门控权重,控制各特征的重要程度,实现跟踪模型自适应目标变化。在跟踪数据集OTB2015的相关实验中,算法精确率和成功率指标达到0.907和0.687,表明该算法具备较强的抗干扰能力。(2)针对目标长时间或严重遮挡的问题,提出一种基于双模板孪生网络的目标跟踪方法。本文通过引入上一帧模板与首帧模板组成双模板孪生网络,实现模板自适应更新,有效解决长时间或严重遮挡导致目标丢失的问题。此外,引入改进的通道注意力机制,根据特征通道有效性调整权重,提高有效信息的利用率;同时引入空间注意力机制,减小跟踪过程中目标的搜索范围,提高跟踪模型的运行速度和效率。在跟踪数据集OTB2015的相关实验中,算法精确率和成功率指标分别为0.912和0.707。表明该算法有助于提高遮挡场景下目标跟踪的鲁棒性。(3)针对井下场景光线不足、图像对比度小的问题,提出一种改进的Retinex方法。该方法首先将RGB颜色空间转换为HSV颜色空间,优化亮度分量;其次使用分块处理的方式,为各块设置亮度权重,解决高亮区域过度曝光导致细节丢失的问题;再次采用自适应对比度增强方法增加图像对比度;最后将HSV颜色空间转换回RGB图像,完成图像增强处理。实验结果表明,图像质量显著提升,有助于提高跟踪精度。(4)本文基于上述算法设计了目标跟踪系统。根据场景需求进行设计,并实现了注册/登录、在线/离线跟踪等功能。该系统界面友好、操作简单,满足了目标跟踪系统的需求。本文所提跟踪方法在复杂场景中能够实现良好的准确性和实时性,并具有较强的鲁棒性和抗干扰能力。改进了现有跟踪方法在背景干扰、严重遮挡、光线不足等场景中的不足,为后续研究做出积极贡献。

关键词：目标跟踪孪生网络注意力机制上下文门控机制模板更新

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于孪生网络的目标跟踪方法研究

基于孪生网络的目标跟踪方法研究

作者：张年杰南京信息工程大学

学位级别：硕士

视觉目标跟踪是计算机视觉领域最为基础的研究课题之一,在自动驾驶、视频监控、人机交互、海洋探索等领域具有非常广泛的应用。目标跟踪以视频初始帧中感兴趣目标的位置为参考,估计目标在后续视频序列中的位置。近年来,得益于深度学习... 详细信息

视觉目标跟踪是计算机视觉领域最为基础的研究课题之一,在自动驾驶、视频监控、人机交互、海洋探索等领域具有非常广泛的应用。目标跟踪以视频初始帧中感兴趣目标的位置为参考,估计目标在后续视频序列中的位置。近年来,得益于深度学习的快速发展,目标跟踪取得了长足的进步。然而,在复杂现实场景中,由于受到诸如遮挡、形变、光照变化、尺度变化、快速移动等因素的影响,目标表观特征动态变化,使得实现高质量的跟踪方法仍然是一项极具挑战性的任务。因此,本文对基于孪生网络的跟踪方法进行研究,针对现有方法存在的不足提出相应改进,具体的研究内容如下:(1)针对传统通道注意力存在的严重空间信息损失的问题,提出一种基于三重注意力机制的无锚点孪生网络目标跟踪方法。该三重注意力由两部分组成,其中交叉注意力用于建模通道维度和空间维度之间的跨维度特征依赖,探索目标的细粒度特征,提升模型对相似物的判别能力。空间注意力作为对交叉注意力的补充,用于聚焦关键特征所在的空间区域,抑制无效特征。与现有注意力机制不同,本文提出的三重注意力机制不需要大量额外的可学习参数,不会增加模型的计算复杂度。在多个公开数据集上的实验结果表明,本文所提算法在光照变化、相似物干扰等复杂场景中有更好地性能与鲁棒性。(2)针对现有基于孪生网络的跟踪方法不进行在线模型更新的问题,提出一种基于梯度加权的目标模板更新方法。该方法利用梯度中丰富的判别信息进行特征加权,在强化新特征的同时抑制可能对目标模板造成污染的背景噪音,通过非线性的方式与当前目标模板进行融合,增强模型对复杂环境变化的适应能力。与现有目标模板更新方法不同,本文在设计更新策略时着重考虑了跟踪器的实时性,避免大幅降低模型的跟踪速度。此外,本文还引入以串联方式联合的双重注意力机制,通过聚合上下文信息来提升特征表达能力。本文所提算法在多个大规模数据集上都有效提升了模型的性能与鲁棒性。

关键词：深度学习目标跟踪孪生网络模板更新视觉注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

视觉单目标跟踪算法研究

视觉单目标跟踪算法研究

作者：梁栩欣桂林电子科技大学

学位级别：硕士

视觉单目标跟踪是计算机视觉领域一个热门的研究课题,其主要任务是在给定视频序列第一帧中目标的真实标注数据的基础上实现对视频序列后续帧中目标的准确跟踪。视觉单目标跟踪发展到目前已经取得了极大的进展,但由于目标自身运动规律及... 详细信息

视觉单目标跟踪是计算机视觉领域一个热门的研究课题,其主要任务是在给定视频序列第一帧中目标的真实标注数据的基础上实现对视频序列后续帧中目标的准确跟踪。视觉单目标跟踪发展到目前已经取得了极大的进展,但由于目标自身运动规律及跟踪环境的复杂多变,这仍然是一项极具挑战的任务。本文在现有研究的基础上,针对视觉单目标跟踪算法面临的遮挡等难点与挑战,分别从相关滤波与孪生网络两种主流跟踪算法框架展开研究与改进工作。主要的研究内容总结如下:1.针对相关滤波跟踪算法在背景干扰、遮挡等挑战下跟踪性能下降的问题,提出了一种融合多特征与遮挡检测机制的目标跟踪算法。该算法在构建相关滤波跟踪器时引入背景上下文信息,增强了对目标与背景的判别能力;设计了不同的特征融合方法,将手工特征与深度特征融合,提升了特征表征能力;引入遮挡检测机制解决了遮挡挑战下跟踪失败的问题。在OTB-100数据集的性能评估实验结果表明,该算法与基准算法KCF相比在成功率上提升了32.8%,与同样采用了深度特征的CF2算法相比提升了12.3%,与引入背景上下文的Staple＿CA算法相比提升了4.8%。2.针对孪生网络跟踪算法中特征提取网络利用不充分、特征表征能力不足和固定模板在复杂挑战下跟踪不准确的问题,提出了一种特征增强与双模板更新的目标跟踪算法。该算法首先对特征提取网络进行改进,然后将网络不同层次的特征融合,再引入通道空间注意力模块对融合特征的表征能力进一步提升;设计了一种双模板更新策略,实现在跟踪阶段的模板更新,能够有效应对跟踪过程中环境的复杂多变。与基准算法Siam FC相比,该算法在OTB-100上的成功率提升了15.16%,准确率提升了12.20%;在VOT-2017上的期望平均重叠率提升了23.03%,鲁棒性提升了17.88%,准确率提升了9.95%,重叠率提升了28.06%。3.针对在低分辨率挑战下的跟踪准确率下降问题,提出了一种引入特征通道交互的目标跟踪算法,并实现了TensorRT对该算法网络模型的推理加速。该算法分析了填充对网络的作用以及它对目标中心位置预测带来的偏移影响,在网络中引入裁剪模块来消除这个偏移影响;引入特征通道交互模块来实现特征不同通道信息的交互融合,增强了特征的表征能力;采用Focal Loss作为损失函数,改善训练正负样本数量不均衡、简单负样本与困难负样本贡献不均衡的问题。该算法在OTB-100上的成功率提升了10.39%,准确率提升了11.27%,尤其是在低分辨率、运动模糊等挑战中性能显著提升。最后,研究了基于TensorRT的网络加速方法,实现了TensorRT对该算法改进网络的推理加速。

关键词：目标跟踪相关滤波孪生网络模板更新特征融合

基于全卷积孪生神经网络的目标跟踪系统的研究与设计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于全卷积孪生神经网络的目标跟踪系统的研究与设计

作者：殷达江苏大学

学位级别：硕士

目标跟踪问题是计算机视觉领域中的一个重要方向。在深度学习被广泛应用前,采用相关滤波(Correlation Filter)的目标跟踪算法有着较好的跟踪能力。近年来,深度学习的发展使目标跟踪的研究取得了更大的进步,其中全卷积孪生神经网络Siames... 详细信息

目标跟踪问题是计算机视觉领域中的一个重要方向。在深度学习被广泛应用前,采用相关滤波(Correlation Filter)的目标跟踪算法有着较好的跟踪能力。近年来,深度学习的发展使目标跟踪的研究取得了更大的进步,其中全卷积孪生神经网络Siamese FC使用孪生(Siamese)网络为框架实现了高精度和高效率的目标跟踪,但仍然有以下问题:采用的骨干网络Alex Net特征提取能力不足,容易被相似目标影响;没有模板更新功能,遇到目标遮挡、画面模糊问题时跟踪性能较差。本文针对以上问题,在Siamese FC基础上进行了改进。主要的研究工作如下:(1)提出了双模板异步更新机制。将Siam FC的骨干网络Alex Net换为调整过的VGG网络,利用VGG网络可以提取深浅两层特征的特性,使跟踪器更全面地获得目标的颜色、形状等信息;同时采用双模板更新,但考虑到深、浅两层模板信息变化幅度的不同,将判断深层模板是否更新的频率定位3帧,浅层模板则定为5帧,从而提高性能。(2)提出了改进的基于APEC的模板更新机制。模板有初始、前一帧跟踪所用、当前帧提取三种分支。平均峰值相关能量APCE作为置信度指标,代表了跟踪结果的好坏,因此使用APCE作为判断依据,首先判断模板更新与否,如果判断需要更新,就继续使用APCE的值决定三种分支在模板更新中所占的权重,从而以动态变化的方式保证了更新的模板质量。(3)结合以上两点改进构建了一个跟踪器。然后设计实验,其他主流跟踪器进行性能对比,实验结果表明在跟踪基准数据集上的结果相较Siam RPN算法,提高了4.7%的成功率和4%的精确度,性能较好且能满足跟踪的实时性要求。最后,本文将该算法应用到目标跟踪系统中,设计并实现了目标跟踪系统,该系统可用于辅助监控人员进行目标监控等的场景,可以选定任意视频和摄像头画面进行跟踪,也可以进行跟踪结果再现和管理等。

关键词：目标跟踪模板更新平均相关峰值能量 VGG网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合时空特征的孪生网络视觉目标跟踪算法

融合时空特征的孪生网络视觉目标跟踪算法

作者：陈志浩长安大学

学位级别：硕士

视觉目标跟踪是安防监控、自动巡检和自动驾驶需要的核心技术。目标跟踪问题的核心是如何在复杂的场景下准确、高效地检测和定位目标。随着深度学习技术的发展和用于视觉跟踪任务的数据集完善,基于孪生网络的目标跟踪算法成为了当下目... 详细信息

视觉目标跟踪是安防监控、自动巡检和自动驾驶需要的核心技术。目标跟踪问题的核心是如何在复杂的场景下准确、高效地检测和定位目标。随着深度学习技术的发展和用于视觉跟踪任务的数据集完善,基于孪生网络的目标跟踪算法成为了当下目标跟踪学术界的研究热点。本文分析了全卷积孪生网络(Fully-Convolutional Siamese Networks,SiamFC)目标跟踪算法存在的主要问题与不足,从不同方面对该算法进行了改进,具体工作如下:1.本文针对SiamFC算法使用的特征判别性较弱和缺乏模板更新导致算法鲁棒性不足的问题,提出了多级特征融合和动态模板更新的目标跟踪算法。首先使用改进的Mobile Net V2代替原来的Alex Net来提取特征,从深层到浅层逐级串联地融合深层特征和浅层特征获得判别力的目标表达,同时在融合特征的过程嵌入了空间注意力和通道注意力,引导网络输出更加适合跟踪任务的特征。然后提出了一种动态模板更新模块,使用平均峰值相关能量(Average Peak-to-Correlation,APCE)阈值和相邻模板相似度阈值的双重标准来选择更新模板的时机。最后在OTB100、VOT2016和VOT2017数据集上进行实验,算法的成功率、准确率和鲁棒性都得到了提高。2.本文分析了SiamFC算法无法稳定跟踪快速移动的目标以及搜索区域内存在相似物体导致跟踪失败的原因,提出了融合粒子滤波和深度孪生网络的目标跟踪算法。首先提出改进的孪生网络跟踪器,其使用Swin Transformer提取特征,并构建了基于卡尔曼滤波的运动先验模型,利用目标轨迹的时间先验信息增强目标的响应,将时空信息融合到跟踪过程中。然后将改进的孪生网络跟踪器与粒子滤波结合,改变SiamFC算法搜索区域的选择方式,使用粒子生成的多个搜索区域更好的覆盖了目标可能的运动状态,多个搜索区域和目标之间的相似度匹配计算由多个对应的孪生网络跟踪器完成。将粒子滤波跟踪框架与孪生网络跟踪模型各自的优势结合在一起,提高了算法在目标快速移动以及相似物体干扰场景下的鲁棒性,在OTB100和VOT2016数据集上的实验结果证明了算法的先进性和有效性。

关键词：视觉目标跟踪孪生网络特征融合模板更新粒子滤波卡尔曼滤波

基于GAN的水下图像增强模型及其在视觉目标跟踪中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于GAN的水下图像增强模型及其在视觉目标跟踪中的应用

作者：常双双杭州电子科技大学

学位级别：硕士

水下视觉技术是探索水下的一种直观方式,然而复杂的成像环境导致拍摄的图像存在颜色偏差、高噪声、模糊等问题,这限制了水下视觉的实际应用。本文基于生成对抗网络(GAN)、水下物理模型和视觉目标跟踪方法提出一种水下视觉目标跟踪框架,... 详细信息

水下视觉技术是探索水下的一种直观方式,然而复杂的成像环境导致拍摄的图像存在颜色偏差、高噪声、模糊等问题,这限制了水下视觉的实际应用。本文基于生成对抗网络(GAN)、水下物理模型和视觉目标跟踪方法提出一种水下视觉目标跟踪框架,解决水下场景的单目标跟踪问题,并在公开数据集上进行验证。本文的主要研究工作如下:(1)将通道注意力机制嵌入GAN的生成器中,对提取的通道特征进行优化。针对生成器U-Net提取的特征,通道注意力机制利用通道之间的关联信息对包含特征信息的通道赋予更高的权重,从而抑制原始水下图像存在的噪声。实验结果表明增强图像与参考图像的色彩差异减小,结构信息更接近。(2)利用改进后的U-Net估计水下物理模型的参数图,还原真实的水下场景。通过U-Net的数据驱动能力估计水下物理模型参数图,避免了模型参数因统计不充分而导致的误差问题,并且水下物理模型的通用性可以缓解GAN过于依赖给定数据集的问题,从而提高生成器的泛化能力。(3)设计融合损失函数使水下增强模型具有任务驱动性。将目标跟踪的精度损失融入到水下增强模型的损失函数中,使生成的图像更适应目标跟踪任务。针对融合损失函数所导致的超参数问题,本文使用粒子群算法(PSO)优化各损失的比重,使水下视觉目标跟踪框架达到最优结果。(4)针对目标运动而导致初始模板不适用的问题,提出自适应目标模板更新策略。基于计时器采样的模板更新方法难以满足不同跟踪任务的需求,本文将嵌入空间中的特征差异大小映射到定时间隔,使模型根据任务的不同选择合适的更新频率,从而提升跟踪器的精度。本文利用通道注意力机制改进GAN的生成器U-Net,并结合水下物理模型修正了原始图像的颜色偏差,抑制了图像噪声。再利用高质量的水下图像提升了单目标跟踪模型的精度,对水下视觉技术的发展具有现实意义。

关键词：水下视觉目标跟踪生成对抗网络图像增强融合损失模板更新

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于孪生网络的单目标跟踪算法研究

基于孪生网络的单目标跟踪算法研究

作者：汪强江南大学

学位级别：硕士

单目标跟踪是计算机视觉的重要分支之一,一直以来格外收到学者、专家的关注。其定义是给定初始帧中目标位置信息,在后续帧中对目标位置进行预估。单目标跟踪任务由于受到复杂环境因素的影响,设计一个兼备精度和速度的跟踪算法是目前视... 详细信息

单目标跟踪是计算机视觉的重要分支之一,一直以来格外收到学者、专家的关注。其定义是给定初始帧中目标位置信息,在后续帧中对目标位置进行预估。单目标跟踪任务由于受到复杂环境因素的影响,设计一个兼备精度和速度的跟踪算法是目前视觉单目标跟踪任务的难点。本文基于孪生网络结构,针对目前单目标跟踪任务存在的难点问题,进行深入探索和研究并提出改进,提升了跟踪算法的精度和鲁棒性,并满足了跟踪算法的实时性,具体研究成果如下所述:(1)提出多尺度表征和加权融合的孪生网络单目标跟踪算法,解决现有跟踪算法骨干网络没有充分提取目标多尺度特征所带来的跟踪漂移问题。该算法首先使用了具备多尺度提取能力的骨干网络作为特征提取网络,并对已有的循环网络范式进行改进,提出Transformer加权特征融合循环网络。分别从骨干网络和融合网络层面改进孪生网络结构以满足在复杂环境下跟踪任务的需求,实验结果表明该算法在精确率和成功率上都展现了不错的竞争力。(2)提出基于Transformer的孪生网络单目标跟踪算法,解决目前大多数跟踪算法忽略了Transformer网络的特征提取能力。该算法首先使用基于自注意力机制的Transformer网络作为骨干网络,挖掘了Transformer网络在跟踪算法领域内的潜力。此外,由于预测网络对图像进行预测得到的跟踪结果比较粗糙,使用边界框提升模块对跟踪结果进行细粒度处理,实现跟踪结果的精细化。实验结果表明该算法具有良好的跟踪性能。(3)提出时空模板更新的孪生网络单目标跟踪算法,解决初始化第一帧模板算法后续不再更新模板带来目标外观变化适应性问题。该算法首先使用动态模板更新策略即每隔固定帧加入动态模板信息,提升算法的鲁棒性。其次使用动态缩放损失函数,对正负样本损失占比进行重构,提升了算法的准确率。实验结果表明该算法平衡了精度和实时性,具有现实意义。

关键词：单目标跟踪多尺度孪生网络 Transformer网络边界框提升模板更新动态缩放损失函数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自适应更新的光流目标跟踪系统

基于自适应更新的光流目标跟踪系统

作者：姬菁颖中国民航大学

学位级别：硕士

目标跟踪是计算机视觉的重要分支之一,正随着信息科技的发展在人机交互、智能机器人等领域中得到越来越多的重视和应用。由于目标遮挡、尺度变化等因素的影响,目标跟踪能够在多应用场景下满足跟踪任务的准确性、实时性和鲁棒性等需求仍... 详细信息

目标跟踪是计算机视觉的重要分支之一,正随着信息科技的发展在人机交互、智能机器人等领域中得到越来越多的重视和应用。由于目标遮挡、尺度变化等因素的影响,目标跟踪能够在多应用场景下满足跟踪任务的准确性、实时性和鲁棒性等需求仍是一项具有挑战性的工作。本文针对目标跟踪的问题和挑战进行了调研与分析,提出了基于自适应更新的光流目标跟踪算法。具体内容如下:在对现有的孪生网络跟踪方法充分学习的基础上,本文设计了基于注意力机制的目标跟踪算法Da Siam＿NL(Da Siam RPN Non-local Network),注意力机制可以使卷积神经网络对跟踪目标进行充分的特征提取,使跟踪结果更准确。同时针对孪生网络跟踪方法使用初始帧计算模板不足以应对由于遮挡、光照及变形等引起的目标外观变化的问题,本文基于Da Siam＿NL方法提出了Da Siam＿NL+(Updated Da Siam RPN Non-local Network),在Da Siam＿NL的基础上增加了自适应模板更新策略。在上述有效改进的基础上,针对目标跟踪过程中帧间信息能力的不足,在Da Siam＿NL+的基础上提出了利用相邻帧间丰富的运动信息进行定位的方法Flow＿Da Siam＿NL+(Optical Flow Tracking Based Updated Da Siam RPN Non-local Network),提取两帧之间的光流信息对目标信息加以补充,预测目标位置,提高了算法的鲁棒性。实验表明,本文所提算法在OTB100、VOT2018及VOT2016等公开数据集上均有效提升了目标跟踪的准确性。Flow＿Da Siam＿NL+在OTB100中选取的代表性图像序列上精度为0.866,成功率为0.662,相比改进之前的算法分别提高了约0.15和0.11。最后,基于对跟踪框架的上述三点改进优化,本文设计了并实现了一套基于自适应更新的光流目标跟踪算法的系统。用户可以使用该系统进行目标跟踪测试。系统的运行结果验证了本文算法的实时性和鲁棒性,展示了本文算法的实用意义。

关键词：目标跟踪注意力机制模板更新光流

基于深度学习的视频SAR运动目标跟踪技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的视频SAR运动目标跟踪技术研究

作者：黄姗姗西安工业大学

学位级别：硕士

视频SAR具有全天候、全天时、高精度、实时成像的优点,拥有极高的军事应用价值。运动目标跟踪是视频SAR实施有效战地侦察亟需解决的关键问题。视频SAR图像具有背景复杂,目标表观形态变化剧烈等特点。因此,如何稳定、高效跟踪视频SAR运... 详细信息

视频SAR具有全天候、全天时、高精度、实时成像的优点,拥有极高的军事应用价值。运动目标跟踪是视频SAR实施有效战地侦察亟需解决的关键问题。视频SAR图像具有背景复杂,目标表观形态变化剧烈等特点。因此,如何稳定、高效跟踪视频SAR运动目标是一项极具挑战性的课题。本文采用深度学习方法对视频SAR运动目标跟踪问题进行了深入的研究,主要工作如下:1、针对目标跟踪过程中相似干扰物问题,设计了实例感知特征提取网络。深入分析了目标跟踪模型难以有效区分相似干扰物的根本原因,在此基础上设计了实例感知特征提取网络(Instance-Aware Backbone,IB)。IB能够对同一物体的不同实例进行有效区分,可以在很大程度上避免因相似干扰物而导致跟踪器出现“漂移”现象。2、针对跟踪过程中目标形态剧变问题,提出了一种基于映射式梯度下降(Projected Gradient descent,PGD)的模板更新策略。视频SAR图像的成像特点导致运动目标表观形态变化剧烈。因此,持续使用第一帧目标作为跟踪模板是不合理的。PGD算法在跟踪过程中对模板进行有效地更新,避免了因目标形态变化而导致跟踪任务失败。3、面向视频SAR目标“端到端”跟踪的实际应用,构建了视频SAR目标跟踪模型。基于Siam RPN++跟踪框架,融合实例感知特征提取网络和映射式梯度下降的模板更新策略,构建了视频SAR目标跟踪网络。实验表明,该网络可以实现视频SAR运动目标稳定跟踪。本文在视频SAR目标跟踪数据集上进行了大量的对比实验,实验结果证明相较于基准算法,本文提出的算法能有效地提升跟踪的成功率和精确率。在视频SAR目标跟踪数据集上进行测试,使用IB的目标跟踪算法在成功率上提高了2.2%,在精确度上提高了2.1%;使用PGD模板更新策略的目标跟踪算法在成功率上提高了0.6%,在精确度上提高了0.6%。;视频SAR目标跟踪在成功率上提高了3.6%,在精确度上提高了3.1%。

关键词：深度学习孪生网络目标跟踪特征提取网络模板更新