基于卷積神經(jīng)網(wǎng)絡(luò)與多模板的視覺跟蹤算法研究

《基于卷積神經(jīng)網(wǎng)絡(luò)與多模板的視覺跟蹤算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、基于卷積神經(jīng)網(wǎng)絡(luò)與多模板的視覺跟蹤算法研究Researchonvisualtrackingbasedonconvolutionalneuralnetworkandmultiplemodels工程領(lǐng)域：儀器儀表工程作者姓名：王鵬翔指導(dǎo)教師：郭敬濱副教授企業(yè)導(dǎo)師：山岡啓介天津大學(xué)精密儀器與光電子工程學(xué)院二零一七年十二月摘要視覺跟蹤是機(jī)器視覺的主要研究方向之一。目標(biāo)檢測(cè)法是視覺跟蹤常用方法，其本質(zhì)上是圖像分類任務(wù)，相較于多類別分類任務(wù)，它只需區(qū)分目標(biāo)和背景這兩種類別。所以提高分類器的性能是提高跟蹤任務(wù)成功率和準(zhǔn)確率的關(guān)鍵。近

2、年來隨著大數(shù)據(jù)、云計(jì)算、GPU和AI芯片的迅速發(fā)展，之前由于計(jì)算速度慢、數(shù)據(jù)量不足而得不到重視的人工神經(jīng)網(wǎng)絡(luò)算法被應(yīng)用于實(shí)踐。卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）作為一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在處理圖像時(shí)避免了人工設(shè)計(jì)特征，可直接處理原始圖像，使得其卷積層提取的圖像特征對(duì)跟蹤任務(wù)有著更強(qiáng)的針對(duì)性和適用性。神經(jīng)網(wǎng)絡(luò)需要使用大量已標(biāo)注的數(shù)據(jù)進(jìn)行訓(xùn)練，但是在一個(gè)跟蹤任務(wù)中，已標(biāo)注的訓(xùn)練數(shù)據(jù)僅有第一幀或僅有一張圖片。訓(xùn)練數(shù)據(jù)的不足會(huì)導(dǎo)致模型的過擬合，于是針對(duì)訓(xùn)練數(shù)據(jù)不足的問題本文引入了多域?qū)W習(xí)法

3、進(jìn)行網(wǎng)絡(luò)的預(yù)訓(xùn)練。但是傳統(tǒng)的CNN在跟蹤任務(wù)中對(duì)于目標(biāo)的遮擋和非剛性形變?nèi)菀桩a(chǎn)生模板漂移的問題，而采用多模板策略可以抑制這種漂移。于是為了適應(yīng)視覺跟蹤過程中目標(biāo)外觀變化，提高視覺跟蹤算法的魯棒性，本文研究了CNN在視覺跟蹤領(lǐng)域的應(yīng)用，并基于CNN結(jié)合多域?qū)W習(xí)法與多模板管理，提出一種通過樹形結(jié)構(gòu)管理多模板的多域卷積神經(jīng)網(wǎng)絡(luò)（Multi-DomainCNNswithMultipleModelsinatreestructure）視覺跟蹤算法。首先使用大量已標(biāo)記目標(biāo)位置的視頻數(shù)據(jù)預(yù)訓(xùn)練多域結(jié)構(gòu)的CNN，使CNN的卷積層可從圖像

4、中提取出適用于跟蹤任務(wù)的特征。然后在跟蹤時(shí)中對(duì)CNN全連接層進(jìn)行微調(diào)以適應(yīng)跟蹤目標(biāo)，并使用樹形結(jié)構(gòu)管理存儲(chǔ)不同時(shí)間段的目標(biāo)模板得到模板樹。使用模板樹綜合評(píng)價(jià)待檢測(cè)幀，估計(jì)目標(biāo)位置。最后按照一定規(guī)則將新模板添加進(jìn)模板樹，完成模板的更新。實(shí)驗(yàn)表明，該算法對(duì)跟蹤過程中目標(biāo)外觀的變化有著良好的適應(yīng)性，同時(shí)多模板可抑制CNN在跟蹤時(shí)產(chǎn)生的模板漂移問題。關(guān)鍵詞:視覺跟蹤；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；多域?qū)W習(xí)；多模板IABSTRACTAsoneoftheelementalproblemsincomputervision,visualtr

5、ackinghasalwaysbeenahottopic.Tracking-by-detectionisacommonandeffectivemethodforvisualtracking.Essentiallyitisaproblemofimagesclassification,butonlytwocategoriesneedtobeclassified—targetsandbackgrounds.Therefore,improvingtheperformanceoftheclassifiersisthekeytoi

6、mprovethesuccessrateandaccuracyofthevisualtrackingtasks.Duetotherapiddevelopmentofbigdata,cloudcomputing,GPUsandAIchipsinrecentyears,neuralnetworkswhichwerenottakenseriouslyduetoitsslowcomputationandthelackofdatapreviouslyareappliedtopractice.Convolutionalneural

7、network(CNN),asakindofneuralnetworkstructure,doesnotrelyontheartificialdesignfeatureswhenprocessingimages,andcandealwiththeoriginalimagesdirectly.Sothatthefeaturesextractedbytheconvolutionlayersfromthepicturesaremoreappropriateforthevisualtracking.Thetrainingoft

8、heCNNsrequiresalargenumberofartificiallylabeleddataforreliableperformance.However,inatrackingtask,theavailabletrainingdataisonlyinthefirstframefromwhichwecangetthepos