基于深度学习的目标跟踪算法研究
【摘要】:随着高素质图像采集设备和深度学习技术的快速发展,计算机视觉在目标跟踪领域获得了显著进展。目标跟踪技术是计算机视觉中的重要组成部分,广泛应用于无人驾驶、视频监控、人机交互等领域。近年来,基于深度学习的判别式方法成为该领域的主流方法,经过几个大型的公开数据集验证的结果显示,这些方法可以兼具准确性和鲁棒性。本文主要分析和研究基于孪生神经网络的单目标跟踪方法,在当前神经网络的基础上进行优化和改进,主要的研究要点和创新点如下所示:(1)孪生神经网络会重点关注视频序列中的语义信息:当视频序列中的目标语义信息更加显著时,算法的跟踪效果也更加优秀;而当视频序列中的语义信息不足时,孪生网络的跟踪效果也会受到很大的影响。因此,本文考虑结合颜色特征和方向梯度直方图特征等低级特征,提高目标的表面颜色信息、纹理信息和边缘信息在目标跟踪中的权重,补充跟踪目标的低级细节,获得更加精确和鲁棒的跟踪结果。(2)本文观察到孪生网络在跟踪过程中在不同的网络通道中对跟踪目标的敏感程度不同,尝试采用注意力机制简化网络中的冗余特征,使用剩余的高相关性的特征进行目标跟踪。另一方面,本文使用APCE对目标进行置信度判断,只有目标通过置信度判断后,才会将目标的信息加权到模板中,否则直接忽略该帧。通过这种方式可以在防止模板漂移的前提下引入模板更新机制,提高算法的精确性和鲁棒性。本文将以上的研究工作应用在孪生神经网络中,通过在各大公开数据集上与原有算法的表现进行对比,证明这些改进方法是有效的,使得原有目标跟踪算法在处理快速运动和光照变化等方面取得到了显著提升。