基于卷積神經網絡的目標跟蹤技術研究

1、碩士學位論文基于卷積神經網絡的目標跟蹤基于卷積神經網絡的目標跟蹤技術研究技術研究ResearchesonObjectTrackingBasedonConvolutionalNeuralwks作者姓名：唐爽碩學科、專業(yè)：計算機應用技術學號：21409154指導教師：胡小鵬完成日期：2017.6.5大連理工大學DalianUniversityofTechnology萬方數據大連理工大學碩士學位論文I摘要目標跟蹤技術是圖像處理和計算機視覺領域

2、的一個重要研究方向，無論在軍事領域還是人們的日常生活中都有著廣泛的應用，例如在軍事領域中的武器精確制導、偵查預警、無人機飛行器等，以及民用方面的智能交通、機器人視覺導航、醫(yī)療影像診斷等眾多領域都有目標跟蹤技術的身影。目標跟蹤是在連續(xù)的視頻序列中隨著場景的不斷變化對某一特定目標實現狀態(tài)估計的過程。在實際的跟蹤環(huán)境中，由于成像條件的復雜性和場景的多樣性，使得實現穩(wěn)定有效的目標跟蹤仍然面臨一系列的困難和挑戰(zhàn)。本文針對目標跟蹤過程中的技術難點，

3、圍繞目標外觀建模對目標跟蹤技術進行了深入的研究，提出了兩種基于卷積神經網絡的目標跟蹤算法。本文針對傳統(tǒng)目標跟蹤算法中的人工構造特征表達能力不足、難以提取涉及語義信息的問題，提出了一種基于卷積神經網絡多尺度表達的目標跟蹤算法。該方法利用卷積神經網絡可以自動學習圖像中的深層語義信息的特點，結合拉普拉斯金字塔構建多個尺度的卷積網絡結構。使用視頻跟蹤數據集對網絡模型以參數共享的方式進行由粗到細的訓練，從而獲取對尺度變化更具魯棒性的目標多尺度外觀

4、表達。最后結合多示例學習算法的優(yōu)勢，構建基于多尺度表達的多示例分類器來實現目標的在線跟蹤，并針對多示例算法易飽和的問題，對多示例算法進行改進。該方法使得目標的外觀模型對目標變化以及尺度變化更加魯棒，可以實現更加穩(wěn)定的跟蹤效果，提高了算法的準確率和成功率。本文針對目標跟蹤過程中的目標變化導致的漂移現象，提出了一種基于Attention機制的目標跟蹤算法。該方法將視頻序列的初始幀內容作為記憶單元，使得網絡學習始終保持對初始幀目標特征的記憶，

5、并根據視頻幀之間的內容關聯，利用初始幀設計Attention層次結構，構建基于Attention機制的卷積網絡模型，通過學習使得網絡自動關注目標中的關鍵位置。從網絡的不同層中提取特征并進行金字塔空間池化處理，構建多專家分類器實現目標的在線跟蹤。實驗結果表明，該方法可以充分考慮目標的初始幀信息以及關鍵位置，有效緩解在跟蹤過程中由于目標變化出現的漂移現象，實現在多種場景下進行穩(wěn)定有效的跟蹤。關鍵詞：目標跟蹤；特征提?。痪矸e神經網絡；Atte