基于卷積神經網絡和嵌套網絡的目標跟蹤算法研究

《基于卷積神經網絡和嵌套網絡的目標跟蹤算法研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。

1、學校代碼：10385分類號：研究生學號：1300205002密級：基于卷積神經網絡和嵌套網絡的目標跟蹤算法研究AlgorithmStudyonObjectTrackingviaConvolutionalNeuralNetworkandNetworkinNetwork作者姓名：楊向南指導教師：鐘必能實踐導師：專業(yè)學位類別/領域：工程碩士/計算機技術研究方向：計算機視覺所在學院：計算機科學與技術學院論文提交日期：二零一六年六月一日學位論文獨創(chuàng)性聲明本人聲明茲呈交的學位論文是本人在導狩塘導下完成巧研究成果。論文寫作中不包含其化人已經發(fā)表竟舅寫這訪戸究式容，表參考他人或集體的科研成果

2、，均在論文中巧靖的方式說巧。本入化法享有和承擔由此論文所產生的權利和責任。？〇＾論文作者簽名ｌ：令而命簽畫５期２ｉ．３：Ｉ學位論文版權使用授權聲明本人同意授權華僑大學有權保留并向國家軌關凌撫詢送交學位論文的復印件和電子版，允許學位論文被查闊和借巧。本人授權華轎大的全部內容或部分內容編入有關數疆產進學可Ｋ將本學位論文行檢索レ、縮印或婦描等復制手段保存和匯編本學位論文，可ッ采用影印。論文作者簽：私巧指導教師簽名：名啼－〇－２１（＞＾３簽名日期：戶日期：簽名ｆｆｌｋ＾：：：：摘要摘要在過去的幾十年里，目標跟蹤算法由于其潛在的巨大研究和實用

3、價值，一直受到計算機視覺領域中國內外同行的極大關注。目標跟蹤算法的典型應用包括智能視頻監(jiān)控、自動駕駛車輛、以及人機交互等。給定一個目標物體的初始狀態(tài)，目標跟蹤算法的任務是在隨后的視頻中估計目標的狀態(tài)。盡管經過了多年的努力，如何設計魯棒的目標跟蹤算法仍然是一個極具挑戰(zhàn)性的問題，因為姿態(tài)變化、光照變化、遮擋、復雜的環(huán)境、以及移動的背景等都會造成目標表觀的變化。傳統(tǒng)基于手工設計特征或淺層分類器的目標跟蹤算法，由于使用手工設計的底層視覺特征或淺層分類器來構建目標表觀模型，因此對目標表觀模型的語義信息預測能力有限。針對上述傳統(tǒng)目標跟蹤算法難以捕獲目標表觀模型中視覺數據語義信息的缺陷，受到深度卷積網

4、絡在圖像分類和語音識別等任務中取得巨大成功的啟發(fā)，本文提出了基于卷積神經網絡和嵌套網絡的目標跟蹤算法，使用深度網絡結構，通過學習和遷移中層圖像特征表示來構建一個魯棒的目標表觀模型。本文具體內容如下：1）提出一個基于卷積神經網絡的目標跟蹤算法。傳統(tǒng)基于手工設計特征的目標跟蹤算法難以提取目標的語義信息，對于目標表觀的劇烈變化沒有很強的魯棒性。不同于手工設計特征的方法，基于卷積神經網絡的目標跟蹤算法使用一種數據驅動的方式自動地學習更具判別性的特征，能夠提取更加抽象的語義信息。語義信息使得算法對于目標的表觀變化具有一定的魯棒性，可以在一定程度上緩解漂移問題。該算法有效地將基于卷積神經網絡的目標表

5、觀模型與粒子濾波框架結合起來。實驗表明基于卷積神經網絡的目標跟蹤算法能夠取得不錯的跟蹤效果。2）提出一個基于嵌套網絡的目標跟蹤算法。嵌套網絡被用來構建目標表觀模型，因為其可以出色地自動學習到深度層次特征。在本算法中，將目標跟蹤看成是一種在線遷移學習過程，首先在源域任務中預訓練嵌套網絡，然后將由預訓練得到的嵌套網絡中間層參數遷移到具體的跟蹤任務中。這個簡單卻有效的遷移方法使得基于嵌套網絡的跟蹤算法能夠很好地解決訓練中域改變的問題。同時為了緩解漂移問題，設計出了一種同時利用初始幀真實標注樣本和在I華僑大學碩士學位論文線獲得的樣本更新目標表觀模型的方法。在實驗中可以看出，基于嵌套網絡的目標跟蹤

6、算法能夠達到較為精確的跟蹤效果。關鍵詞：目標跟蹤卷積神經網絡嵌套網絡目標表觀模型IIAbstractAbstractObjecttrackingalgorithmshavegainedagreatdealofattentioninthecomputervisioncommunityoverthepastdecadeduetotheirpotentialvaluebothintheoreticalchallengesaswellasinpracticalapplications，includingintelligencevideosurveillance,self-drivingvehic

7、les,humancomputerinteractionandsoon.Giventheinitializedobjectstates，thetaskofobjecttrackingalgorithmsistoestimatetheincomingobjectstatesinsubsequentframes.Despitemuchprogresshasbeenmadeinrecentyears,designingrobustobje