基于深度學(xué)習(xí)和強化學(xué)習(xí)的多目標檢測跟蹤.pdf

1、隨著計算機計算技術(shù)和存儲技術(shù)的快速發(fā)展，視頻信息占人們接受信息的比重越來越大，對視頻的智能分析也越來越重要。其中視頻多目標跟蹤是對視頻分析的重要切入點，因此不管是在學(xué)術(shù)界還是在商業(yè)界，多目標跟蹤都是研究和應(yīng)用的一個熱點。
　　深度學(xué)習(xí)是目前機器學(xué)習(xí)在實際應(yīng)用中最成功的一種方法，在自然圖像分類、通用目標檢測、語義分割等視覺領(lǐng)域取得了突破性的成績。本文首先調(diào)研了多目標跟蹤領(lǐng)域的主流方法和深度學(xué)習(xí)用于單目標跟蹤的方法，并發(fā)現(xiàn)目前把深度學(xué)

2、習(xí)用于多目標跟蹤的方法并不多;接著介紹了一種僅采用深度學(xué)習(xí)用于多目標跟蹤方法的局限:該方法無法有效處理跟蹤中新目標出現(xiàn)和目標丟失等問題。這是由于多目標跟蹤中存在的問題需要一定的決策邏輯來進行處理，但是深度學(xué)習(xí)目前缺乏這樣的邏輯，無法處理這些問題。因此本文把深度學(xué)習(xí)用于多目標檢測，檢測結(jié)果作為決策的環(huán)境輸入，多目標跟蹤問題的處理則采用了強化學(xué)習(xí)。
　　本文的工作主要在于:
　　1.在基于候選區(qū)域的深度卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，集成了

3、包括感興趣區(qū)域池化、候選區(qū)域網(wǎng)絡(luò)、多區(qū)域等目標檢測優(yōu)化方法構(gòu)建MOT benchmark2015數(shù)據(jù)集的行人檢測器，彌補了各個優(yōu)化方法僅分別作用于某一網(wǎng)絡(luò)結(jié)構(gòu)的空缺，提升了檢測結(jié)果。
　　2.匈牙利算法用作數(shù)據(jù)關(guān)聯(lián)計算復(fù)雜度較高:改進后仍為O(n3)。本文首次驗證了當檢測結(jié)果提升到一定程度時，強化學(xué)習(xí)對目標跟蹤可以不另外用匈牙利算法做數(shù)據(jù)關(guān)聯(lián)，進一步提升了整體方法速度。
　　3.以基于聚合通道特征的檢測結(jié)果作為比較，本文提出