论文部分内容阅读
目标跟踪是计算机视觉领域中的重要研究课题,有着重要的研究价值和广阔的应用前景。近来,相关滤波目标跟踪算法凭借其良好的精度与速度的综合性能在目标跟踪领域中受到广泛关注。特别地,深度学习技术与相关滤波的结合,使相关滤波目标跟踪算法的性能取得了长足的进步。然而算法精度的提高,其鲁棒性和实时性依然难以满足真实场景的需求。本文在相关滤波、深度学习和深度模型压缩的基础上,重点关注跟踪算法的鲁棒性与实时性的要求、目标特征表达的效率等问题展开相关的研究工作,具体研究内容概括如下:1)提出了背景感知相关滤波器和孪生网络自适应协作的目标跟踪算法。该算法利用不同跟踪机制的目标跟踪算法,即相关滤波器和全卷积孪生网络的互补优势,缓解自身在跟踪过程中存在不足,从而构建一个鲁棒的目标跟踪算法。具体来说,我们的跟踪算法由三个组件构成:背景感知相关滤波器网络、全卷积孪生网络和跟踪结果可靠性检测器。通过离线训练背景感知相关滤波器网络和全卷积孪生网络,以获得更适合的目标跟踪任务的目标特征特表达。跟踪结果可靠性检测器有效地防止了模型更新过程引入错误的目标信息。跟踪过程中,跟踪结果检测器通过判断相关滤波器的跟踪结果的可靠性,自适应地对模型进行更新,以及启动孪生网络与背景感知相关滤波网络协作进行鲁棒跟踪。2)提出了联合模型压缩与迁移的实时相关滤波跟踪算法。使用深度卷积特征,虽然能够提升相关滤波算法的性能,但也带来了问题,例如高内存存储、特征提取耗时长,同时高维度的卷积特征增加了相关滤波器的学习时长。这些问题导致了高精度的相关滤波算法无法被部署到只有单CPU且低内存存储的平台上,限制了真实场景的应用范围。本项工作中,我们在知识蒸馏的框架下,以来自于目标分类任务中现成的高维度的深度卷积网络模型当做教师网络,联合模型压缩与迁移该教师网络到一个适用于相关跟踪任务的轻量级的学生网络。与教师网络相比,学生网络容量小,大大降低了算法的内存占用和算法限制。将学生网络与相关滤波器算法结合,加快了目标特征提取的时间消耗以及相关滤波器的学习时间,使算法能够在单CPU上实现实时跟踪速度,同时保持相近的跟踪精度。