积分商城

最新搜索： MDK PMW-HEX B码 CurrentRanger CS1621 sdk
您现在的位置是：首页 > 技术资料 > 基于深度学习的目标跟踪方法研究现状与展望
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于深度学习的目标跟踪方法研究现状与展望

更新时间：2019-12-25 09:34:41 大小：920K 上传用户：zhiyao6查看TA发布的资源 标签：深度学习 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中选择感兴趣的目标,在接下来的连续帧中,找到该目标的准确位置并形成其运动轨迹。目标跟踪是一个颇具挑战性的问题,目标的非刚性变化往往改变了目标的表观模型,同时复杂的光照变化、目标与场景间的遮挡、背景中相似物体的干扰和摄像机的抖动等使目标跟踪任务变得更加困难。近年来,随着深度学习在目标检测和识别等领域中取得巨大的突破,许多学者开始将深度学习模型引入到目标跟踪中,并在一系列数据评测集上取得了优于传统方法的性能,逐渐开启了目标跟踪领域的新篇章。文中将首先阐述目标跟踪问题的难点和基本解决思路;然后根据利用深度学习算法解决目标跟踪问题的不同思路,对当前出现的此类主流算法进行分析,介绍这些算法各自的优缺点及未来的工作方向。


部分文件列表

文件名 大小
基于深度学习的目标跟踪方法研究现状与展望.pdf 920K

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
第
卷第  
期
年 月  
5
46  
5
红外与激光工程  
2017  
Vol.46 No.5  
Infrared and Laser Engineering  
May 2017  
基于深度学习的目标跟踪方法研究现状与展望  
1,2,3,4  
1,2,3,4  
1,3,4  
1,3,4  
罗海波  
，许凌云  
，惠  
斌
，常  
铮
(1. 中国科学院沈阳自动化研究所，辽宁 沈阳 110016；2．中国科学院大学，北京 100049；  
3． 中国科学院光电信息处理重点实验室，辽宁 沈阳 110016；  
4． 辽宁省图像理解与视觉计算重点实验室，辽宁 沈阳 110016)  
摘
要：  
目标跟踪是计算机视觉领域的重要研究方向之一，在精确制导、智能视频监控、人机交互、  
机器人导航、公共安全等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中选  
择感兴趣的目标，在接下来的连续帧中，找到该目标的准确位置并形成其运动轨迹。目标跟踪是一  
个颇具挑战性的问题，目标的非刚性变化往往改变了目标的表观模型，同时复杂的光照变化、目标  
与场景间的遮挡、背景中相似物体的干扰和摄像机的抖动等使目标跟踪任务变得更加困难。近年  
来，随着深度学习在目标检测和识别等领域中取得巨大的突破，许多学者开始将深度学习模型引入  
到目标跟踪中，并在一系列数据评测集上取得了优于传统方法的性能，逐渐开启了目标跟踪领域的  
新篇章。文中将首先阐述目标跟踪问题的难点和基本解决思路；然后根据利用深度学习算法解决目  
标跟踪问题的不同思路，对当前出现的此类主流算法进行分析，介绍这些算法各自的优缺点及未来  
的工作方向。  
关键词：  
目标跟踪； 深度学习； 计算机视觉； 精确制导  
中图分类号： 文献标志码： ：  
DOI 10.3788/IRLA201746.0502002  
TP391  
A
Status and prospect of target tracking based on deep learning  
1,2,3,4  
1,2,3,4  
1,3,4  
1,3,4  
，
，
，
Chang Zheng  
Luo Haibo  
Xu Lingyun  
Hui Bin  
1. Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China;  
2. University of Chinese Academy of Sciences, Beijing 100049, China;  
3. Key Laboratory of Opto-Electronic Information Processing, Chinese Academy of Sciences, Shenyang 110016, China;  
4. The Key Lab of Image Understanding and Computer Vision, Liaoning Province, Shenyang 110016, China)  
Abstract: The inverse synthetic aperture lidar (ISAL) have attracted increasing attention for its merits  
including small visual tracking which is considered as one of the important research topics in the field of  
computer vision due to its key role in versatile applications, such as precision guidance, intelligent video  
surveillance, human -computer interaction, robot navigation and public safety. The basic idea for  
implementing visual tracking is composed of finding the target object in a video or sequence of images,  
then determining its exact position in the next successive frames and finally generating the corresponding  
trajectory of this object. Visual tracking, however, is still a challenging problem in practice while taking  
into account the abrupt appearance changes of the target objects induced by their non -rigid  
收稿日 期：  
；
修 订日 期：  
2016-09-10  
2016-10-20  
基金项目：总装预研项目（  
）
51301030108  
作者简介：罗海波  
，男，研究员，博士生导师，博士，主要从事图像处理、目标跟踪、目标识别等方面的研究。  
(1967-)  
Email:  
0502002-1  
红外与激光工程  
第
期
第
卷
46  
5
transformation, the sophisticated lighting variation, the obstruction by the block or similar objects in the  
background and the camera jitter. Motivated by the successful applications in target detection and  
recognition in recent years, plenty of deep learning models have been integrated in the visual tracking and  
better performance over traditional methods was achieved in a series of data evaluations, which opens a  
new door in the field of visual tracking. In this paper, the overview and progress on visual tracking were  
summarized. The current challenges and corresponding solving approaches in this field are introduced  
firstly and in particular, several novel and mainstream visual tracking algorithms based on the deep  
learning are specially described and analyzed in details, including their basic ideas, advantages and  
disadvantages and future prospect.  
Key words: target tracking; deep learning; computer vision; precision guidance  
[2]  
如，  
算法  
应用稀疏表达 来 表 示 目 标 的 外 观 模  
L1  
[3]  
引 言  
0
型；  
算法 应用了多种特征的组合模型来计算  
staple  
目 标 在 外 观 模 型 上 的 得 分 ， 然 后 根 据 得 分 确 定 目  
标。  
目 标 跟 踪 是 计 算 机 视 觉 领 域 的 重 要 研 究 方 向  
[1]  
之 一 ，也 是 该 领 域 的 一 个 研 究 热 点 。 它 的 基 本 问  
题 形 式 是 在 一 个 图 像 序 列 或 视 频 流 中 选 择 一 个 感  
兴趣的区域或者物体作为目标，在 接下来的连续若  
干帧中自动找到该目标的 位置，得到目标的运动轨  
迹、具体形态和位置。 目标跟踪在军事侦察、精确制  
导、智能视频监控、人机交互、机器人导航等领域 具  
有广泛的应用，有着重要的实用价值。 在这些不 同  
的应用中，人们往往需要通过对图像序列 或者视频  
流中感兴趣的区域或物体进行分 析，得到目标的位  
置、运动轨迹和表观变化，以 达到对其进行跟踪、机  
器人导航避障、进一步 进行行为分析和视频高层语  
意解析等目的。  
目标的运动模型  
ꢂ2ꢃ  
在 跟 踪 问 题 中 ， 目 标 的 运 动 往 往 是 不 规 则 的 ，  
人 们 能 获 知 的 只 是 物 体 运 动 的 连 续 性 和 在 某 一 帧  
中目标出现在搜索区内各个位置的概率。 研究目标  
运动模型的好处是可以提高对模板的采样效率。 获  
知 目 标 的 具 体 运 动 模 型 后 可 以 大 大 减 少 无 效 采 样  
空间的相关计算量，从而大幅提升算法 的效率 并 减  
[ꢁ]  
算法 将目标模板与全图像  
少漏检率。 传统的  
NCC  
进行匹配，增加了许多不必要的计算。 粒子 滤 波 算  
[5]  
[6]  
和光流法 可以用于估 算 目 标 出 现 在 新 一 帧 中  
法
的概率分布，得到目标的运动模型从 而避免低 概 率  
位 置 的 无 效 计 算 。 通 过 计 算 颜 色 直 方 图 的 偏 移 概  
然 而 ，在 实 际 应 用 中 ， 目 标 跟 踪 面 临 着 诸 多 挑  
战 。 比 如 ，对 目 标 先 验 知 识 的 不 足 、复 杂 的 场 景 变  
化 、摄 像 机 和 目 标 之 间 的 相 对 不 规 则 运 动 等 ，使 得  
设 计 能 适 用 于 所 有 场 景 的 目 标 跟 踪 算 法 变 得 非 常  
困难。  
[7]  
率 ，  
算 法 也 同 样 提 升 了 目 标 位 置 搜 索 的  
Meanshift  
效率。  
ꢂ3ꢃ  
对于 目 标 跟 踪 的 基 本 问 题 形 式 来 说 ，内 部 运 动  
模 型 是 指 物 体 各 个 部 分 的 相 对 运 动 ， 即 非 刚 体 变  
目标的内部运动模型  
一般来说 ，设 计 一 种 目 标 跟 踪 算 法 或 者 算 法 框  
换。 对于非刚体变换，目前通常的解决方 法 是 建 立  
[8]  
架需重点考虑以下 个方面的问题：  
ꢁ
特殊的模型，例如用于检测算法的可变形模板模型  
。
目标或场景的外观模型  
(1)  
它通过将一个目标分解为 多个相关的子块，通 过 对  
各子块的跟踪实现对该目标的跟踪和形态估计。 该  
模 型 在 一 定 程 度 上 可 以 解 决 目 标 发 生 形 变 时 的 跟  
踪丢失问题。  
外 观 模 型 指 的 是 目 标 在 二 维 图 像 平 面 上 的 外  
观 信 息 ，包 括 物 体 及 其 各 部 件 的 几 何 位 置 、颜 色 和  
上下文信息。 不同的跟踪算法往往采用不同的统计  
模型对目标进行外观模型建模，或者通过提取 诸如  
颜色、纹理、梯度、空间几何等特征以及上 述多种不  
同 特 征 的 组 合 来 对 目 标 的 外 观 模 型 进 行 表 征 。 例  
模板的更新策略  
ꢂꢁꢃ  
不 同 于 一 般 的 目 标 识 别 问 题 ， 在 目 标 跟 踪 ，尤  
其 是长时间的目标跟踪问题中，恰当的模板更 新 策  
05ꢀ2ꢀꢀ2-2  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号