摘要： 视频跟踪技术一直在军事、医学等越来越多的领域起着重要的作用，近几年来，学者将深度学习应用于视频跟踪技术，一大批基于深度学习的卷积神经网络算法被提出。本文主要介绍了卷积神经网络的传统结构及其在视频跟踪技术中的应用、目标跟踪中的关键步骤，并分析传统神经网络算法和基于卷积神经网络算法的优缺点，对卷积神经网络在视频跟踪的发展进行了简要的分类和总结，最后对卷积神经网络在视频跟踪的未来发展方向进行展望。
关键词：视频跟踪;深度学习;卷积神经网络
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2019）03-0182-02
1 引言
近几年大数据、云计算的快速发展，促进了人类社会的智能化和信息化。研究目标跟踪技术在军事、医学等领域都有重要意义，随着研究的逐渐深入，目标跟踪的种类和方法也逐渐丰富。目标跟踪过程可以定义为一个目标在特定场景移动时，在图像平面中的目标轨迹的估计问题。对于一个视频序列，目标追踪的任务为给出目标的初始状态，对视频中接下来每一帧的目标序列进行评估。目前，跟踪技术并未完全成熟，在解决目标遮挡、视觉变化、复杂背景等一系列问题方面还有一定的进步空间。
2 卷积神经网络结构及其在视频跟踪中的应用
在卷积神经网络模拟人大脑的学习过程中，构建多层的神经网络，随着网络层数的增加，获得的特征也逐步抽象。目前，越来越多基于新型卷积神经网络研究方法的出现，神经网络的结构也发生些变化，但是都是在经典卷积神经网络的基础上进行改动。经典的卷积神经网络[1]由输入层、卷积层、池化层、全连接层和输出层。其中输入层、卷积层和池化层组成特征提取层，全连接层和输出层组成分类层。
卷积神经网络在视频跟踪时具有较高的目标提取与表达的能力，可以使网络输入多维的图像，降低特征提取过程中降低数据重建的复杂度，抑制平移、缩放带来的影响。卷积神经网络深度分层架构，可以不依赖外界条件学习数据的特征，对于类似图像这种分布复杂、高度非结构化的数据具有很强的标记能力。利用不同目标的描述能力，对目标跟踪的精确性与鲁棒性有很大的提升。因此在目前计算机视觉领域，利用卷积神经网络提取特征的方法正逐步超越传统的手工提取特征方法。
3目标跟踪关键步骤
在一些跟踪领域中，我们需要通过标记目标的中心、特征点等来确定目标移动的轨迹。在视频序列跟踪（摄像机、监控等）的过程中，往往存在噪音等外部环境因素的影响，会造成视频序列模糊不清、出现噪声点分布等情况。所以视频跟踪的第一步为预处理，在信息进入模型之前，将视频序列中影响较大的外部因素通过相应的方法去除。当前帧的视频图像，要根据目标的运动模式标记出一定的特征区域，然后对每一个特征区域进行特征提取，实现区域的特征表达。通过被跟踪目标的特征表达，来进行对目标特征的描述，构建外观模型。最后根据所提取的特征来预测目标位置。由于目标在整个视频序列中的位置不断改变，相应的特征也会不断改变，目标模型也要做出相应的调整。
4 传统视频跟踪方法
传统跟踪方法早年间在一些跟踪技术上就有了一定的应用，学者从目标表观建模、搜索策略、模型更新这三个主要开始进行研究。传统跟踪方式有一定的局限性，不能提取高级的语义信息。但是后期利用深度学习等方法的新型跟踪方式都是在传统方式的基础上提出的。目前从目标表征模型的角度，主要的传统视频跟踪方式可分为基于生成式和基于判别式两种算法。
4.1基于生成式算法的目标跟踪
基于生成式算法跟踪可视为一个目标匹配的过程，在上一帧目标位置附近，选择相似度最高或者相差率最小的位置，视为目标的当前预测位置。目前跟踪效果较好的算法有稀疏表达、密度估计、增量学习等，部分跟踪算法结合了滤波技术得到了较好的跟踪效果。其中稀疏表达是对目标的局部信息和历史进行编码，采用均值传递和空间金字塔方法使算法具有良好的鲁棒性。密度估计法是通过核密度估计法来预测目标位置，同时核密度法不利用有关数据分布的先验知识，对数据分布没有附加任何假设，具有较高的跟踪效率。但是核密度估计在估计边界区域的时候会出现边界效应。
4.2基于判别式算法的目标跟踪
判别式算法通常与检测系统相联系，主要为训练分类器，能从检测到的大量的图像（视频）中区分出目标还是背景，从而确定目标的方位预测目标位置。近几年判别式算法涉及多样本学习、随机森林等。多样本学习法是多个样本进行分类学习，来确定目标表征模型，很好地解决了样本歧义问题。以上两种跟踪方法都有一个共同的问题，目标模型的构建。传统的跟踪方法都是在提取目标特征的基础上进行构建，比较浅层定义，只适合于某些特定的场景。在一些复杂的跟踪过程中，发挥的并不是很好，可能出现跟踪丢失、目标漂移等问题。
5 卷积神经网络在目标跟踪中的应用
近几年，一大批优秀的基于卷积神经网络目标跟踪算法被提出，很好地解决了传统算法中存在的一些问题，不仅解决了跟踪目标丢失的情况，还解决了鲁棒性以及漂移现象。
5.1基于分类的卷积神经网络
Seunghoon 等人提出了在线视觉跟踪算法，离线训练神经网络，通过显著性图来显示目标的空位置，提高了定位精准度。但是由于在视频序列中每张图像的区域较多，进行特征提取时消耗的时间较长。Nam从模型的可靠性出发提出利用卷积神经网络来进行目标跟踪，解决了跟踪问题中的目标遮挡以及目标丢失问题。近年来随着深度学习的深入，卷积神经网络的研究也不断优化，是在速度方面依然存在问题。
5.2基于回归的卷积神经网络目标跟踪
文献[2]将深度卷积神经网络使用 自编码器替换为自编码器作为获取特征的网络模型。此外还有通过分析卷积层的特征图谱，提出采用卷积神经网络层级间的特征来进行目标跟踪的新方法。首先将通過构建两个互补的热度图预测网络。其中 GNet捕获目标的类别信息，SNet 将目标与背景进行相似外观分离，在第一帧进行初始化，为目标进行前景热图回归标记，然后回归出目标的位置，能达到有效防止跟踪器漂移的目的。
Lijun将不同掩码采取在线训练不同的基础跟踪器，VGG网络作为调整器。最后用加权的方式得到热度图，以此来特征提取。但是此微调方法的跟踪算法会在每一帧或者固定间隔进模型更新，如果跟踪器结果不准确就会在更新过程中引入噪声。
Danelljan 、Robinson等人作者提出了一种使用连续卷积滤波的目标跟踪方法，利用内插值法将卷积神经网络的不同分辨率的特征图插值到连续空间域内，应用Hessian矩阵求得亚像素精度的目标位置。该文通过Hessian 矩阵提高了特征图的分辨率，在一定程度上减小了模糊帧图像对跟踪器的影响。
5.3基于相似度匹配的卷积神经网络目标跟踪
Bertinetto 、ValmadreJ等人提出了一种全卷积孪生网络跟踪算法，如图所示。该方法利用一个解决相似性学习的模型，其中一个待搜索目标的网络输入视频的第一帧，另一个网络输入视频的第一帧，紧接着输出一个响应图，预测目标在固定位置出现的可能性。此方法采取的雙流网络是共享全卷积层的。同事，网络可以进行端对端训练，专门提取用于视觉跟踪的深和浅卷积特征。由于此方法跟踪速度较快、效率较高。
此外，文献[3]提出了基于卷积残差学习的目标跟踪算法。在预测时将基本卷积层与空域参差层结合，又加入时间参差层来拟合真实标签有效的处理模型外观变化。
文献[4]将PCA预处理环节加到卷积神经网络特征提取的结构框架中，同时应用粒子滤波运动估计和分类器模型。主成分分析（PCA）与利用自编码神经网络在隐层的神经元数量受限时的学习结果之间具有一定的相似性。利用这一特点解决了追踪干扰问题，并提高了模型的平移不变形。但是当追踪多个目标时，此方法就会受到时间和空间的限制。
6 结论
视频追踪成为计算机视觉研究的重要课题，在视频监控、人工智能等领域都有一定的应用。大数据时代的到来以及深度学习算法的出现，为卷积神经网络的发展带来了契机。未来要加强深度学习与在线学习的融合，根据视频追踪的特点怎样建立起一个大规模、效率高的视频跟踪效率平台依然是值得研究的课题。
参考文献：
[1] 赵井飞. 卷积神经网络算法及应用研究[D].沈阳航空航天大学，2018.
[2] Nam H，Han B. Learning multi-domain convolutional neural networks for visual tracking[C]. In： Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，Las Vegas，USA，2016. 4293-4302
[3] 刘栋，李素，曹志冬. 深度学习及其在图像物体分类与检测中的应用综述[J].计算机科学，2016，43（12）：13-23.
[4] 于进勇，丁鹏程，王超. 卷积神经网络在目标检测中的应用综述[J].计算机科学，2018，45（S2）：17-26.
上一篇：论文发表选题：神经网络分子通信模型分析
下一篇：论文发表选题：脑机信息交互技术综述
相关文章推荐
主页 > 论文欣赏 >
论文发表选题：卷积神经网络在视频跟踪中的应用及发展
2019-05-17 来源:电脑知识与技术 作者：侯旭阳;张颖;高圆
Copyright© 2011 - 2019 雅诗论文网© 版权所有 豫ICP备11013941号
客服QQ:308902193 地址：郑州市金水区花园路国基路交叉口居易国际1号楼
客服QQ:308902193 地址：郑州市金水区花园路国基路交叉口居易国际1号楼