基于序贯层级特征的多目标跟踪方法研究

《基于序贯层级特征的多目标跟踪方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、电子科技大学UNIVERSITYOFELECTRONICSCIENCEANDTECHNOLOGYOFCHINA硕士学位论文MASTERTHESIS论文题目基于序贯层级特征的多目标跟踪方法研究学科专业通信与信息系统学号2015121010708作者姓名冯浩洋指导教师李晓峰教授分类号密级注1UDC学位论文基于序贯层级特征的多目标跟踪方法研究（题名和副题名）冯浩洋（作者姓名）指导教师李晓峰教授电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士学科专业通信与信息系统提交论文日期2018.04.02论文答辩日期2018.05.24学位授予单位和日期电子科技大学2018年0

2、6月答辩委员会主席评阅人注1：注明《国际十进分类法UDC》的类号。ResearchonMultipleObjectTrackingMethodBasedonSequentialandHierarchicalFeaturesAMasterThesisSubmittedtoUniversityofElectronicScienceandTechnologyofChinaDiscipline:CommunicationandInformationSystemAuthor:HaoyangFengSupervisor:Prof.XiaofengLiSchoolofInforma

3、tion&CommunicationSchool:Engineering摘要摘要多目标跟踪是计算机视觉领域一个重要的研究点，而适应于多目标跟踪任务的特征表达是决定跟踪算法精度的关键因素之一。区别于人工设计特征适用范围窄，不能完全反映目标本质信息的缺点，深度神经网络具有特征自提取的功能。通过设计合适的网络结构和损失函数，深度神经网络能够满足各种不同的计算机视觉任务的特征提取要求，并且反映待提取目标的内在属性。多目标跟踪任务一般首先通过目标检测器给出视频序列每一帧中各目标所在位置，跟踪算法通过帧间和帧内目标间的特征关系将相同目标关联在一起，将不同目标区分开来。而且，多目标

4、跟踪任务一般跟踪同类目标的多个不同个体，故多目标跟踪特征应该既具备时空上的序贯性，又存在不同个体的差异性。所以，普通的用于多分类的特征将不再适应于多目标跟踪任务。受深度学习特征自提取特性的启发，本论文主要围绕多目标跟踪的特征提取问题，设计实现了层级栈式自编码器的网络结构和适应于多目标跟踪序贯性和互异性特点的损失函数。通过样本学习，使该网络获得能够在线自动提取序贯层级特征的性能。同时，为了解决目标检测器在跟踪算法运行前给出不稳定检测的问题，本文通过随机森林和梯度提升两种集成学习的方法，将目标的序贯层级特征与视频序列的上下文时空特征进行融合降维，得到适用于多目标跟踪算法的

5、鲁棒的融合特征及各目标之间的相似度度量。随机森林和梯度提升法的参数调优和降维策略将被着重研究。最后，本文改进了多目标跟踪最小费用最大流模型，一定程度上解决了目标间的遮挡问题，将上述鲁棒的融合特征及通过集成学习得到的相似度度量应用于改进的最小费用最大流模型中，通过动态规划的算法求解该模型，降低了时间复杂度，提升了多目标跟踪精度。将改进的最小费用最大流模型应用于国际权威的多目标跟踪测试平台MOTBenchmark，并将获得的性能指标与传统方法和其他国际领先的跟踪方法进行比较，突出本文多目标跟踪方法的优势，明确亟待改进的问题。关键词：多目标跟踪，神经网络，层级栈式自编码器，

6、随机森林，梯度提升法，最小费用最大流IABSTRACTABSTRACTMultipleobjecttrackingisahot-pointoncomputervisionresearches.Agoodfeatureexpressionwhichissuitableformultipleobjecttrackingdeterminestheaccuracyintrackingalgorithm.Differentfromotherhandcraftfeatures,featuresextractedfromdeepneuralnetworkholdthemostint

7、rinsiccharacteristics.Bydesigningappropriatenetworkstructureanduniquelossfunction,neuralnetworkcansatisfymostofthefeatureextractionrequirementsindifferentcomputervisiontasks.Thepositionsandsizesofobjectsineachframearegivenbyanobjectdetectorasprioriknowledgeinmultipleobjecttrack