论文总字数：34555字

摘 要

随着计算机技术的高速发展，计算机视觉领域也展现出了蓬勃生机。作为计算机领域内的一个重要分支方向，目标跟踪在机器人、汽车、武器等工业领域承担着越来越重要的角色。并且由于神经网络在对目标表征方面具有明显的优势，卷积神经网络对于目标识别、目标跟踪等方面也产生了一定的推进作用，尤其是在目标识别方面，卷积神经网络相较于一些传统的特征提取方案有着更优秀的性能。因此，本次毕设课题将基于卷积神经网络的目标识别方法与基于相关滤波的目标跟踪方法相结合，实现了一个能够进行长期目标跟踪的跟踪系统。系统由检测器、跟踪器以及重检测机制构成。检测器选用了在主流算法中精度和实时性均有一定优势的YOLOv3算法，跟踪器选用了KCF算法和ECO算法，重检测的实现是利用跟踪器输出的目标估计置信分数来判断目标是否丢失，当目标丢失时启动检测器对当前图像内的物体进行重检测，并将本次检测到的与原目标同等类别的物体的ROI区域提取出来，分别与原目标进行相似度匹配，将得到的最相似的目标用于重新初始化跟踪器保证后续跟踪的正常进行。

关键词：目标检测、长期、目标跟踪，卷积神经网络、相关滤波

ABSTRACT

With the rapid development of computer technology, the field of computer vision has also shown great vitality. As an important branch of the computer field, target tracking has a very broad application prospect in the industrial fields of robots, automobiles and weapons. And because neural networks have obvious advantages in target representation, convolutional neural networks have also promoted the target recognition and target tracking, especially in the aspect of target recognition. Compared with some traditional ones, the feature extraction method which uses convolutional neural networks has better performance. Therefore, this project combines the target recognition method based on convolutional neural network with the target tracking method based on correlation filtering to realize a tracking system capable of long-term target tracking. The system consists of a detector, a tracker, and a re-detection mechanism. The detector uses the YOLOv3 algorithm which has certain advantages in precision and real-time among the mainstream algorithm. The tracker uses the KCF algorithm and the ECO algorithm. The implementation of the re-detection is to use the target estimation confidence score output by the tracker to judge whether the target is lost. When the target is lost, the detector is re-detected for the object in the current image, and the ROI region of the object of the same type as the original target is extracted and similarly matched with the original target, and the most similar target object is obtained. The target object is used to reinitialize the tracker to ensure normal follow-up tracking.

KEY WORDS: Object Detection, Long-term, Object Tracking, Convolutional Neural Network, Correlation Filter

目 录

摘 要 III

ABSTRACT IV

第一章 绪论 1

1.1 课题来源与背景 1

1.2 国内外发展现状 1

1.2.1 经典目标跟踪 1

1.2.2 相关滤波器 3

1.2.3 卷积神经网络 4

1.3 主要研究内容和章节安排 5

1.3.1 主要研究内容 5

1.3.2 章节安排 5

第二章 视频跟踪系统的方案设计 7

2.1 传统目标跟踪的主要流程 7

2.2 本文视频跟踪系统方案设计 8

2.3 本章小结 10

第三章 YOLO检测器 11

3.1 YOLOv1 11

3.2 YOLO-9000（YOLOv2） 14

3.3 YOLOv3 18

3.4 本章小结 19

第四章 视频跟踪算法 20

4.1 KCF跟踪算法 20

4.1.1 提取图像块 20

4.1.2 非线性回归 22

4.2 ECO跟踪算法 24

4.2.1 算法提出背景 24

4.2.2 原理介绍 25

4.3 本章小结 27

第五章 改进的视频跟踪系统实现 28

5.1 使用KCF跟踪器时遇到的问题 28

5.2 使用ECO跟踪器时遇到的问题 29

5.3 引入重检测机制 29

5.4 改进的视频跟踪系统 32

5.5 改进跟踪系统测试与分析 33

5.6 本章小结 36

第六章 总结与展望 37

参考文献 38

致 谢 40

绪论

课题来源与背景

眼睛是我们人类对外部世界进行发现、感知和探索的途径之一，眼睛获得的视觉信息使得我们可以在不进行实体接触的情况下获得绝大多数的外界信息。随着微电子技术的高速发展，计算机运算速度有着显著增强，人类可以将现实世界中的一些特定信息转换成现代计算机可以进行处理的数字信息，从而可以通过计算机对现实世界中的信息进行处理和分析。计算机视觉就是研究如何让计算机获取并处理现实世界图像信息的一门新兴学科。与人类大脑获取视觉信息的方式类似，计算机可以将摄像头获得的图片通过一系列的数学公式运算把图像中隐含的语义信息提取出来。显而易见，计算机视觉方向作为计算机领域中新兴的方向之一，在现实世界中具有相当广泛的应用前景。

在计算机视觉的诸多分支中，目标跟踪（Object Tracking）是一个重要的研究方向，其功能是在给定目标的情况下，在图像流或者完整视频中定位该目标位置，可以为进一步的目标状态相关问题的分析提供基础。

剩余内容已隐藏，请支付后下载全文，论文总字数：34555字