详情

原文传递基于深度学习的室外车辆跟踪算法研究

论文题名：	基于深度学习的室外车辆跟踪算法研究
关键词：	深度学习;车辆跟踪;粒子滤波;深度自编码器;卷积神经网络;特征提取
摘要：	视频目标跟踪是计算机视觉领域一个重要研究课题，在智能交通系统中具有广泛应用，其中，室外车辆跟踪是一个重要内容。但受复杂多变的室外环境的影响，如光照变化、遮挡、杂乱背景等，室外车辆跟踪面临严峻的挑战。因此，本文在粒子滤波框架下，提出了三种基于深度自编码器的室外车辆跟踪算法，并将卷积神经网络用于室外车辆跟踪中。　　（1）基于k稀疏深度降噪自编码器的目标跟踪。该算法通过k稀疏深度降噪自编码器学习能够有效区分目标和背景的目标特征。整个算法由离线训练、分类神经网络构建和在线跟踪三部分组成。首先借助训练样本离线学习目标的通用特征表示；然后根据学习到的知识构建分类神经网络，并引入k稀疏限制以增强其不变性特征提取能力；最后将分类神经网络输出置信度用于在线跟踪。　　（2）基于多深度自编码器融合的目标跟踪。该算法针对算法（1）中灰度特征易受光照变化影响的情况，提出将多特征训练的多深度自编码器融合用于目标跟踪。整个算法由通用特征表示、分类神经网络融合和在线跟踪三部分组成，即首先随机选取TinyImagesdataset中30万张图片的灰度特征和梯度特征分别无监督离线训练两个深度自编码器，然后根据训练结果构建并线性加权融两个分类神经网络，最后将融合结果用于在线跟踪。　　（3）基于多深度自编码器自适应融合的目标跟踪。该算法针对算法（2）固定权值融合多模型中一个模型发生剧烈变化导致融合结果不可靠的问题，提出一种自适应融合策略。其中，自适应融合权值根据不同模型所表征粒子集的分布情况自动确定。　　（4）基于卷积神经网络的目标跟踪。该算法由离线训练和在线跟踪两部分组成。首先利用CIFAR-10的6万张图片有监督离线训练卷积神经网络，然后利用迁徙学习的方式将训练结果用于在线跟踪。以上四种算法在跟踪第一帧和跟踪过程中置信度不满足设定阈值要求时都需要重新微调分类神经网络以适应跟踪目标变化。　　本文设计4个实验评估以上4种算法。实验（1）和实验（2）采用定量和定性方式评估算法性能。定量评估通过VTB数据集中50个完全标注视频序列的整体性能和11种基于属性性能的精确度和成功率实现；定性评估分别通过4个和12个挑战性室外车辆序列实现。实验（1）结果表明，与3种主流跟踪算法（DLT、MTT和CSK）相比，本文提出的基于k稀疏深度降噪自编码器的目标跟踪算法在室外多种挑战性环境因素（如光照变化、遮挡、杂乱背景、尺度变化、快速运动）下都具有较高跟踪精度。实验（2）结果表明，与7种主流跟踪算法（DLT、IVT、L1APG、MIL、OAB、MTT和CSK）相比，本文提出的基于多深度自编码器融合的目标跟踪算法能够实现复杂场景下室外车辆鲁棒跟踪。实验（3）将算法（2）和算法（3）在6个挑战性室外车辆序列上进行中心位置误差和重叠率对比，结果表明，基于多深度自编码器自适应融合的目标跟踪算法能够更好处理复杂环境下室外车辆跟踪问题。实验（4）将算法（4）在3个挑战性室外车辆序列上对进行性能评估，结果表明，基于卷积神经网络的目标跟踪算法在某些挑战情况下没有准确跟踪目标，文中对其原因进行了深入分析。
作者：	杜省
专业：	模式识别与智能系统
导师：	辛菁
授予学位：	硕士
授予学位单位：	西安理工大学
学位年度：	2017
正文语种：	中文