全文总字数:3652字
1. 研究目的与意义、国内外研究现状(文献综述)
计算机视觉,是当今计算机科学研究中的一个非常活跃的领域,该学科旨在为计算机和机器人开发出具有与人类水平相当的视觉能力。视觉目标跟踪是估计图像序列中目标物体的轨迹的任务,也是计算机视觉中的一个重要研究方向,有着广泛的应用,如:视频监控,人机交互,无人驾驶等。目标跟踪是对单目标的跟踪,第一帧给个矩形框,这个框在数据库里面是人工标注的,在实际情况下大多是检测算法的结果,然后需要跟踪算法在后续帧紧跟住这个框。目标跟踪方法根据观测模型是生成式模型或判别式模型可以被分为生成式方法(generative method)和判别式方法(discriminativemethod)。而近年来,判别式跟踪方法逐渐占据了主流地位,以相关滤波(correlation filter)和深度学习(deep learning)为代表的判别式方法也取得了令人满意的效果。
2013年,吴毅团队在国际计算机视觉与模式识别会议(cvpr)上发表论文” online object tracking: a benchmark”,在数据库上对比了包括2012年及之前的29个顶尖的跟踪算法。由于之前没有比较公认的数据库,无法评估算法好坏,所以这个otb数据库的意义非常重大,直接促进了跟踪算法的发展。在2014年国际计算机视觉与模式识别会议(cvpr)上,颜色特征的方法引起剧烈反响。csk和kcf都是henriques j f(牛津大学)joo f. henriques 先后两篇论文,影响后来很多工作的岭回归,循环移位的近似密集采样,还给出了整个相关滤波算法的详细推导。还有岭回归加kernel-trick的封闭解,多通道hog特征。martin danelljan(林雪平大学)用多通道颜色特征colornames(cn)去扩展csk得到了不错的效果,算法也简称cncoloringvisual tracking 。2015年的vot竞赛中深度学习方法出现,而结合深度特征的相关滤波方法deepsrdcf是第二名。2016年,vot竞赛结合多层深度特征的相关滤波c-cot排第一名。
[1]danelljanm, robinson a, khan f s, et al. beyond correlation filters: learning continuousconvolution operators for visual tracking .eccv, 2016.
2. 研究的基本内容和问题
2016年的vot竞赛结合多层深度特征的相关滤波c-cot(beyond correlation filters: learningcontinuous convolution operators for visual tracking)排第一名。c-cot算法是在dcf算法(discriminativecorrelation filter)的基础上提出的。最初,dcf框架被限制为单个特征通道(例如,灰度图像)。后来的工作已经研究了将单通道dcf扩展到使用多通道特征表示进行跟踪。然而,现有的基于dcf的方法受到由循环相关引起的周期性边界效应的影响。c-cot算法将deepsrdcf(learning spatiallyregularized correlation filters for visual tracking)的单层卷积的深度特征扩展为多成卷积的深度特征(vgg第1和5层),为了应对不同卷积层分辨率不同的问题,提出了连续空间域插值转换操作,在训练之前通过频域隐式插值将特征图插值到连续空域,方便集成多分辨率特征图,并且保持定位的高精度。目标函数通过共轭梯度下降方法迭代优化,比高斯-塞德尔方法要快,自适应样本权值直接采用先验权值,没有交替凸优化过程,检测中用牛顿法迭代优化目标位置。但c-cot算法还有一些问题,我们的研究在于优化该算法性能。
拟解决的问题:
3. 研究的方法与方案
研究方法:
查阅文献、资料 |
选择合适算法改进方法 |
应用算法并分析 |
整理结果,得出结论 |
1、文献分析法。借助学校的图书馆、数据库系统以及其他途径和手段大量查阅相关论文相关的国内外最新研究,掌握未来相关研究的发展方向和前沿。
2、比较分析法。通过对比不同数据集以及评价指标,根据不同评价体系对结果进行评价。
3、综合分析方法。综合运用不同数据库以及不同算法的对比,使结果更加真实可信。
技术路线及实验方法:
1、学习C-COT算法,了解算法提出的背景,找到相应代码并实现
2、查阅文献、资料、上网搜集与计算机视觉处理方面的研究成果
3、研究算法推导步骤,思考如何解决过拟合、模型过于复杂以及模型更新的问题
4、完成算法改进和应用
可行性分析:
1、指导教师有多年指导本科生毕业设计的丰富经验;
2、学校图书馆和理学院资料室及网络能提供充足的文献资料;
3、本项目为计算方法研究类,不需要特别的仪器设施等;数学系机房可为我们提供必要的硬件及软件资源。4. 研究创新点
1、提出了一个通用框架来学习连续空间域中的区分卷积算子。验证了这个框架有两个功能:对象跟踪和特征点跟踪。
2、公式可以集成多分辨率特征地图,能够精确地进行亚像素定位。
5. 研究计划与进展
研究计划及预期进展
2018.9.15-2018.10.16 查阅相关书籍,确定课题,完成文献综述。
2018.11.13-2019.01.03 学习相关领域现有的软件代码和相关设计,完成开题报告。
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。