深度学习在目标跟踪中的应用

【摘要】：目标跟踪是计算机视觉领域的研究热点,也是很多计算机视觉应用的基础部分。由于跟踪对象和背景的复杂性,以及目标跟踪内在的实时性要求,使得目标跟踪任务极富挑战性。判别式相关滤波方法相比生成式跟踪方法具有更佳优良的特征表征能力。其次,相关滤波跟踪速度上优势明显。随着深度学习在目标识别方面取得巨大进展,将深度学习和相关滤波跟踪算法相结合成为新的研究热点。本文以空间正则化判别式相关滤波(SRDCF)算法为基础,先在图像识别数据库上训练深度积神经网络,然后用该网络来提取图像的特征。深层卷积特征包含语义信息而浅层卷积特征包含足够的空间位置信息,所以我们利用卷积神经网络的层次结构构造多个跟踪器对目标进行跟踪。首先,使用交替方向乘子法代替高斯-赛德尔迭代算法对空间正则化判别式相关滤波器进行求解,使得SRDCF的跟踪速度和程序的可扩展性明显提升。其次,利用主成分分析法对提取出的卷积特征进行降维,在去除冗余特征的同时进一步提升跟踪速度。最后,采用利用信息熵求取各个响应图的最佳权重,对不同跟踪器获得的响应图进行融合,从而获得目标的位置。在跟踪效果上,该方法要优于使用单层卷积特征的DeepSRDCF,但是和其他先进的跟踪算法相比还有一定的差距。基于孪生神经网络的跟踪算法取得了优良的跟踪效果。相关滤波网络(CFNet)通过端到端的训练使得小规模的网络模型达到了可以媲美深度卷积神经网络跟踪效果的程度。为了更加有效的利用当前样本,同时,在CFNet2的基础上,采用紧凑的生成高斯混合模型构造样本集,在增加样本多样性,减少样本冗余。实验证明,该方法相对于CFNet2精度上提高了 2.11%,速度上提高了 13.14%;和其他相关算法相比,在整体效果上有待提高,但是跟踪面对低精度属性的视频序列时跟踪效果较好。