基于判別相關(guān)性濾波器的運(yùn)動(dòng)目標(biāo)跟蹤方法研究對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行穩(wěn)定的跟蹤是模式識(shí)別領(lǐng)域的重要研究課題,在生物視覺(jué)、自動(dòng)駕駛、視頻監(jiān)控等領(lǐng)域應(yīng)用廣泛。近來(lái),機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的快速發(fā)展,進(jìn)一步促進(jìn)了對(duì)目標(biāo)跟蹤課題的深入研究。然而,由于目標(biāo)跟蹤過(guò)程中經(jīng)常出現(xiàn)的外形變化、光照變化、遮擋、背景干擾等問(wèn)題,在復(fù)雜環(huán)境下對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行魯棒跟蹤仍是一個(gè)極具挑戰(zhàn)性的課題。判別相關(guān)性濾波器的理論最早是在信號(hào)處理領(lǐng)域中被提出的,隨后被引入到了目標(biāo)跟蹤領(lǐng)域。相比于傳統(tǒng)的目標(biāo)跟蹤算法,基于判別相關(guān)性濾波器的目標(biāo)跟蹤算法不僅能夠達(dá)到較高的跟蹤精確度和跟蹤成功率,而且能夠?qū)崿F(xiàn)較快的跟蹤處理速度,因的目標(biāo)跟蹤算法已經(jīng)有了明顯的性能提升,但是此類算法中的許多問(wèn)題,例如模型學(xué)習(xí)問(wèn)題、目標(biāo)尺度估計(jì)問(wèn)題、上下文感知問(wèn)題、深度學(xué)習(xí)問(wèn)題等,需要更加深入的研究和進(jìn)一步的解決以提升算法的整體性能。針對(duì)以上問(wèn)題,本課題在判別相關(guān)性濾波器框架下,重點(diǎn)研究了基于自步學(xué)面的內(nèi)容。本文的具體工作和研究成果主要包括以下幾個(gè)方面。1)研究了基于自步學(xué)習(xí)的目標(biāo)外觀模型學(xué)習(xí)方法,提出了基于自步學(xué)習(xí)的目標(biāo)跟蹤算法。傳統(tǒng)的模型學(xué)習(xí)方法缺少相應(yīng)的樣本選擇機(jī)制,在模型學(xué)習(xí)的過(guò)程中容易引入干擾樣本影響目標(biāo)外觀模型的準(zhǔn)確性。盡管部分算法制定了對(duì)樣本進(jìn)行選擇的標(biāo)準(zhǔn),但這種人為制定的硬性標(biāo)準(zhǔn)不一定符合模型自身對(duì)訓(xùn)練樣本的要求。針對(duì)以上問(wèn)題,將自步學(xué)習(xí)引入到了目標(biāo)跟蹤中,通過(guò)構(gòu)建判別相關(guān)性濾波器框架下新的目標(biāo)函數(shù),建立了模型學(xué)習(xí)和樣本選擇之間的聯(lián)系,模型可自適應(yīng)的選擇可靠的訓(xùn)練樣本對(duì)目標(biāo)外觀進(jìn)行學(xué)習(xí)。束向量包含了目標(biāo)跟蹤的先驗(yàn)知識(shí),能夠反映各個(gè)幀中訓(xùn)練樣本的重要性;自步學(xué)習(xí)函數(shù)中使用了混合閾值的學(xué)習(xí)模式,結(jié)合了硬閾值模式和軟閾值模式各自的特點(diǎn),可以為訓(xùn)練樣本分配實(shí)數(shù)值的學(xué)習(xí)權(quán)重,能夠反映每一幀中訓(xùn)練樣本的可靠性,并且學(xué)習(xí)權(quán)重具有一定的容錯(cuò)能力。OTB并進(jìn)行了定量分析和定性分析,實(shí)驗(yàn)結(jié)果證明了所提出算法的有效性和魯棒性。2)研究了連續(xù)空間目標(biāo)尺度估計(jì)策略,提出了可進(jìn)行連續(xù)空間目標(biāo)尺度估計(jì)的目標(biāo)跟蹤算法。成熟的目標(biāo)尺度估計(jì)方法可以顯著地提升目標(biāo)跟蹤的成功率,但部分現(xiàn)有的算法忽略了目標(biāo)跟蹤中的尺度估計(jì)問(wèn)題,或者采用啟發(fā)式和窮舉式的尺度估計(jì)策略,大大限制了目標(biāo)尺度估計(jì)的準(zhǔn)確性。針對(duì)以上問(wèn)題,首先通過(guò)模型響應(yīng)函數(shù)推導(dǎo)出了目標(biāo)尺度估計(jì)等式,能夠以數(shù)學(xué)的方式對(duì)目標(biāo)尺度進(jìn)行連續(xù)空間上的估計(jì),解決了只能在有限范圍內(nèi)對(duì)目標(biāo)尺度進(jìn)行估計(jì)的問(wèn)題。其次,為了得到穩(wěn)定的尺度估計(jì)變量,設(shè)計(jì)了一種約束函數(shù)以及一種迭代式的目標(biāo)尺度估計(jì)策略對(duì)尺度估計(jì)變量和核函數(shù)中的帶寬進(jìn)行更新。此外,制定了一種使用動(dòng)態(tài)閾值的樣本學(xué)習(xí)策略能夠根據(jù)前序樣本的損失值和跟蹤情況對(duì)外觀模型進(jìn)行訓(xùn)練。最后,將所提出的可進(jìn)行連續(xù)空間目標(biāo)尺度估計(jì)的跟蹤算法在OTB數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),從定量比較和定性比較兩個(gè)方面分析了算法的性能,實(shí)驗(yàn)結(jié)果證明3)標(biāo)自適應(yīng),提出了可進(jìn)行回歸目標(biāo)自適應(yīng)的上下文感知相關(guān)性濾波器跟蹤算法。上下文信息可以在復(fù)雜的跟蹤環(huán)境中為目標(biāo)的定位和跟蹤提供重要的信息域,并且用于緩解邊界效應(yīng)的余弦窗進(jìn)一步減弱了上下文區(qū)域中包含的信息。針對(duì)以上問(wèn)題,首先構(gòu)建了判別相關(guān)性濾波器框架下的目標(biāo)函數(shù),實(shí)現(xiàn)了以樣本,并將其加入所提出的目標(biāo)函數(shù)中,通過(guò)對(duì)目標(biāo)函數(shù)閉式解的推導(dǎo),上下文信息可以被融入到模型參數(shù)中,進(jìn)而在對(duì)目標(biāo)定位的過(guò)程中發(fā)揮作用。其次,與傳統(tǒng)算法采用靜態(tài)高斯形的回歸目標(biāo)不同,本文提出了自適應(yīng)的回歸目標(biāo),在每一幀能夠構(gòu)造出基于當(dāng)前目標(biāo)狀態(tài)的回歸目標(biāo),可以反映當(dāng)前幀中目標(biāo)的運(yùn)動(dòng)和分布信息。最后,將所提出的可進(jìn)行回歸目標(biāo)自適應(yīng)的上下文感知OTB50、OTB2013、OTB2015VOT2017數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),并在OTBVOT187法進(jìn)行了對(duì)比分析;此外,進(jìn)行了模型簡(jiǎn)化測(cè)試,分析了所提出算法的每一部分對(duì)算法性能提升的貢獻(xiàn)程度;實(shí)驗(yàn)結(jié)果證明了所提出算法的有效性和魯棒性。4)研究了孿生對(duì)稱卷積網(wǎng)絡(luò)中的殘差分層注意力機(jī)制,提出了帶有多上下文展進(jìn)一步促進(jìn)了目標(biāo)跟蹤性能的提升,然而許多使用深度學(xué)習(xí)的目標(biāo)跟蹤算法僅采用了已訓(xùn)練的網(wǎng)絡(luò),再疊加上分類器或?yàn)V波器等方法,沒(méi)有進(jìn)行端到端的網(wǎng)絡(luò)訓(xùn)練,也沒(méi)有充分發(fā)揮深度網(wǎng)絡(luò)的優(yōu)勢(shì)。許多基于深度學(xué)習(xí)的跟蹤算法雖然實(shí)現(xiàn)了明顯的跟蹤成功率上的提升,但是跟蹤速度遠(yuǎn)低于實(shí)時(shí)性的要求。針對(duì)以上問(wèn)題,首先提出了一種基于端到端孿生對(duì)稱卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法,該算法將所提出的多上下文相關(guān)性濾波器融入到卷積神經(jīng)網(wǎng)絡(luò)中,提高了網(wǎng)絡(luò)的判別能力,能夠滿足目標(biāo)跟蹤實(shí)時(shí)性的要求。其次,注意力機(jī)制在深度學(xué)習(xí)的許多領(lǐng)域中引起了越來(lái)越多的關(guān)注,其核心方法,能夠利用殘差信息和注意力模塊中多個(gè)上采樣層的信息,提高網(wǎng)絡(luò)的泛化能力。最后,將所提出的帶有多上下文相關(guān)性濾波層的分層殘差注意力卷積神經(jīng)網(wǎng)OTB、OTB、OTB2015VOT2017OTB20VO