结合深度视觉语义信息的鲁棒目标跟踪算法研究

来源 :西安电子科技大学 | 被引量 : 0次 | 上传用户:weiyuhang99
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
视觉跟踪是计算机视觉领域中的一项重要的研究课题。无论是在国防军事,还是工业生产,亦或是社会公共安全领域,视觉跟踪都具有广阔的应用前景。然而,视觉跟踪因遭受各种因素的影响而富有挑战性,如环境光照、遮挡、目标变形等。因而,视觉跟踪是计算机视觉领域的一个研究难点。  本文在系统分析已有的视觉目标跟踪方法,其中,在候选目标数量有限时,基于稀疏表示的跟踪方法展现出了良好的跟踪性能。然而,随着候选目标数量增高,稀疏系数的求解速度变慢导致计算成本高、跟踪速度变慢。近几年,深度学习在计算机视觉领域产生了巨大的影响力,深度模型从大量数据中自动学习与目标相关的视觉特征。本文结合深度特征和稀疏表示模型挑选与目标极其相关的候选样本,在降低计算成本的同时提高视觉跟踪的精度和增加模型的鲁棒性。取得的创新性成果总结如下:  1)提出结合深度视觉特征的鲁棒目标跟踪算法,研究利用单层深度特征与局部稀疏表示模型相结合的跟踪方法。深度特征具有稀疏性和选择性,在深度特征提取过程中,卷积层神经元对目标的响应具有选择性。根据神经元特征图中目标区域和背景区域的响应强度大小,可挑选出对跟踪目标更感兴趣的神经元。筛选神经元之后,在特征图上与目标相关的候选样本的响应强度高于非相关的样本,从而可挑选出与目标相关的少量候选样本。结合稀疏表示模型对挑选出的候选样本进行验证以确定跟踪目标。该方法经过深度特征的选择,大大减少候选样本的数量,提高跟踪检测的速度和精度。在实验结果中表明,所提出方法在提升跟踪速度和精度上的具有有效性。  2)结合深度视觉语义信息的鲁棒目标跟踪算法,在结合单层深度特征的跟踪模型的基础上,加入高层语义信息,并与稀疏表示模型相结合共同用于跟踪。深度模型的低层特征包含能区分目标与背景的辨别性信息,高层特征可显示出目标的类别信息,并对部分遮挡具有很强的鲁棒性。该方法通过设置一个平衡参数解决高低层深度特征融合时对同一目标的响应幅度不同的问题,在此基础上,挑选与目标相关的少量候选跟踪样本,并用稀疏表示模型对挑选的候选样本进行进一步的验证。在实验结果表明,该方法的跟踪精度等各项性能得到进一步提升,跟踪方法具有很强的鲁棒性和稳定性。
其他文献
风电由于其清洁可再生的特点正在被大力发展。但是,风电并网给电力系统的调度与运行带来了新的不确定性,这就给电力系统经济调度等问题带来了新的挑战。本文对含风电的经济调度
医学图像配准在医学研究与临床治疗中起着越来越重要的作用,它可以将不同模态或不同时期的医学图像变换到同一坐标系中,使整合不同图像所提供的信息成为可能。近年来研究人员在
本文针对二阶多智能体系统,对其编队协调控制问题进行深入研究。通过研究不同的控制器,使系统分别达到不同的控制效果。对系统中存在的时滞现象进行了重点研究。主要研究工作及
现实中,图像采集设备的视场范围是有限的,为了扩大图像视野,需要多幅具有重叠区域的图像生成一幅完整的宽视野全景图像。高质量的全景图像是后续研究工作的重要基础,因此全景图像
网络控制系统(Networked control systems,NCS)是控制技术、网络技术、计算机技术和通信技术的交叉融合的产物。网络控制系统具有连线少、成本低、易于诊断和维护、灵活性高
随着电力电子技术、微电子技术、交流调速系统和现代控制理论的发展,交流传动取代直流传动成为必然的发展趋势。永磁同步电机具有气隙磁密高、转矩脉动小、转矩惯量比大、效率
改进型离散余弦变换(Modified discrete cosine transform,MDCT)是一种很好的时频分析工具,并且在音频编解码、图像编码及光谱图像分析和数字图像水印等领域中得到广泛应用,具
运动捕捉技术可广泛应用于三维影视制作、互动游戏、医学康复、体育训练、智能人机交互和远程控制等多个领域,具有极高的商业价值。传统的机械式、声学式、电磁式及惯性式等
随着航空航天技术、传感器技术、计算机技术及其相关学科的迅猛发展,现代卫星遥感技术已经能够获取多分辨率、多角度、多传感器图像,图像几何分辨率从几公里到几十厘米,光谱分辨
发电机组被广泛应用于工业和生活的各个方面,然而对发电机组的控制是发电机组稳定运行的关键。在众多的控制方式中专用控制器是一种即经济又可靠的控制方式。目前专用控制器主