基于深度学习的目标视频跟踪算法综述

深度学习理论在计算机视觉中的应用日趋广泛,在目标分类、检测领域取得了令人瞩目的成果,但是深度学习理论在目标跟踪领域的早期应用中,由于存在跟踪时只有目标为正样本,缺乏数据支持,对位置信息依赖程度高等问题,因而应用效果并不理想,传统方法仍占据主流地位.近年来,随着技术的不断发展,深度学习在目标跟踪方向取得了长足的进步.本文首先介绍了目标跟踪技术的基本概念和主要方法,然后针对深度学习在目标跟踪领域的发展现状,从基于深度特征的目标跟踪和基于深度网络的目标跟踪两方面重点阐述了深度学习在该领域的应用方法,并对近期较为流行的基于孪生网络的目标跟踪进行了详细介绍.最后对近年来深度学习在目标跟踪领域取得的成果,以及未来的发展方向作了总结和展望.     

深度学习的目标跟踪算法研究综述

基于深度学习的多目标跟踪算法是目前动态视觉领域的热门研究方向之一,对于动态多目标识别等问题的解决表现出极大的优势.单目标跟踪算法就目前而言相对比较成熟,研究热点逐渐向多目标跟踪,尤其是在线多目标跟踪问题转移.对比介绍传统目标跟踪算法与深度学习多目标跟踪算法,对今后多目标跟踪算法发展的趋势进行思考.     

基于深度学习的单目标跟踪算法综述

单目标跟踪是计算机视觉领域中的研究热点.传统算法如相关滤波的跟踪速度较快,但由于提取到的颜色、灰度等手工特征较为粗糙,跟踪精度往往不高.近年来随着深度学习理论的发展,使用深度特征的跟踪方法能够在跟踪的精度和速度方面达到很好的平衡.本文首先介绍单目标跟踪的相关背景,接着从相关滤波单目标跟踪、深度学习单目标跟踪两个阶段对单...     

深度学习的目标跟踪算法综述

目标跟踪是利用一个视频或图像序列的上下文信息,对目标的外观和运动信息进行建模,从而对目标运动状态进行预测并标定目标位置的一种技术,是计算机视觉的一个重要基础问题,具有重要的理论研究意义和应用价值,在智能视频监控系统、智能人机交互、智能交通和视觉导航系统等方面具有广泛应用。大数据时代的到来及深度学习方法的出现,为目标跟踪的研究提供了新的契机。本文首先阐述了目标跟踪的基本研究框架,从观测模型的角度对现有目标跟踪的历史进行回顾,指出深度学习为获得更为鲁棒的观测模型提供了可能;进而从深度判别模型、深度生成式模型等方面介绍了适用于目标跟踪的深度学习方法;从网络结构、功能划分和网络训练等几个角度对目前的深度目标跟踪方法进行分类并深入地阐述和分析了当前的深度目标跟踪方法;然后,补充介绍了其他一些深度目标跟踪方法,包括基于分类与回归融合的深度目标跟踪方法、基于强化学习的深度目标跟踪方法、基于集成学习的深度目标跟踪方法和基于元学习的深度目标跟踪方法等;之后,介绍了目前主要的适用于深度目标跟踪的数据库及其评测方法;接下来从移动端跟踪系统,基于检测与跟踪的系统等方面深入分析与总结了目标跟踪中的最新具体应用情况,最后对深度学习方法在目标跟踪中存在的训练数据不足、实时跟踪和长程跟踪等问题进行分析,并对未来的发展方向进行了展望。     

基于深度学习的弱光图像增强算法研究综述

弱光图像增强旨在使隐藏在黑暗中的信息可见,以提高图像质量,在夜间目标检测和行为识别等计算机视觉任务中广泛应用。首先,从有监督和无监督两个角度出发,梳理了基于深度学习的弱光图像增强代表性算法,结合实现原理分析了其优缺点。其次,总结了常用的训练数据集和测试数据集。最后,讨论了目前已有算法存在的问题和未来可能的发展趋势。     

基于深度学习的目标检测算法研究综述

传统的目标检测算法主要依赖于人工选取的特征来对物体进行检测.人工提取的特征对主要针对某些特定对象,比如有的特征适合做边缘检测,有的适合做纹理检测,不具有普遍性.近年来,深度学习蓬勃发展,在计算机视觉领域比如图像分类、目标检测、图像语义分割等方面取得了重大的进展.深度学习作为一种特征学习方法能够自动学习到目标的有用特征,...     

视觉跟踪算法综述

随着信息技术与智能科学的迅速发展,计算机视觉已经成为IT产业和高新技术领域的前沿.视觉跟踪是当前计算机视觉领域的热点问题之一.阐述了视觉跟踪算法的研究现状,包括视觉跟踪算法的种类,常用数学方法,研究了基于区域的跟踪算法、基于模型的跟踪算法、基于特征的跟踪算法、基于主动轮廓的跟踪算法、参数估计方法和无参密度估计方法,并探讨了视觉跟踪算法的未来研究方向.     

基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢.近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法.在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪(Det...     

基于深度学习的视觉单目标跟踪综述

单目标跟踪是一种在视频中利用目标外观和上下文信息对单个目标分析运动状态、提供定位的技术,在智能监控、智能交互、导航制导等方面具有应用前景,但遮挡、背景干扰、目标变化等问题导致实际应用的进展缓慢.随着近年来深度学习的快速发展,研究使用深度学习技术优化单目标跟踪算法已成为计算机视觉领域的热点之一.围绕基于深度学习的单目标跟踪算法,在分析了单目标跟踪的基本原理基础上,从相关滤波、孪生网络、元学习、注意力、循环神经网络和生成对抗网络六个方面,根据核心算法的不同分别进行了概述和分析;此外,对研究现状进行了总结,提出了算法的发展趋势和优化思路.     

视觉目标跟踪十年研究进展

视觉目标跟踪指在一个视频序列中,给定第一帧目标区域,在后续帧中自动匹配到该目标区域的任务.通常来说,由于场景遮挡、光照变化、物体本身形变等复杂因素,目标与场景的表观会发生剧烈的变化,这使得跟踪任务本身面临极大的挑战.在过去的十年中,随着深度学习在计算机视觉领域的广泛应用,目标跟踪领域也迅速发展,研究人员提出了一系列优秀...     

基于Mean Shift的视觉目标跟踪算法综述

基于Mean Shift的视觉跟踪算法具有计算复杂度低、调节参数少、稳健性较好和易于工程实现等优点,是目前视觉跟踪领域的重要研究方向。首先介绍了经典的Mean Shift跟踪算法,分析了此跟踪框架存在的缺陷。然后从目标模型表达、模型更新、尺度与方向佑计、抗遮挡跟踪和快速目标跟踪等J个方面详细地综述了Mean Shift跟踪算法的发展与改进。针对上述每个方面,对典型方法与最近研究成果进行了介绍与评述。最后展望了Mean Shift跟踪今后的研究方向与发展趋势。     

基于相关滤波器的视觉目标跟踪综述

视觉跟踪是一个重要的计算机视觉任务,有着广泛的应用,由于 现实场景中存在着众多困难,视觉跟踪仍是一个活跃的研究领域。判别式分类器是现代跟踪方法中的一个核心组成部分,其在线学习一个二值分类器以在每一帧中区分目标与背景,充分利用机器学习中丰富的学习算法,取得了许多突破。相关滤波器已成功应用到目标检测和识别中,其由于计算效率高,近年来作为一种判别式跟踪方法被应用到视觉跟踪领域,取得了很好的效果。首先简要介绍了判别式跟踪算法;然后对相关滤波器基本理论及几种典型的相关滤波器构造方法进行了描述;最后重点介绍了近年来相关滤波器在视觉跟踪中的应用及研究进展,并总结了可能的研究方向和发展趋势。     

基于机器学习的目标跟踪算法研究综述

在视频目标跟踪研究中,基于机器学习的理论和算法成为了一个重要的发展方向。在线学习通过对样本持续的学习和更新从而适应背景环境以及目标的变化,能够获得更好的目标跟踪效果。根据算法的特点,将在线学习方法分为集成学习方法、判别式学习方法和核函数学习方法3类。重点对每类中具有代表性的几种方法进行详细描述,并分析其优缺点。最后还分析了机器学习方法在目标跟踪研究中面临的问题和未来的研究趋势。     

视频跟踪算法研究综述

在许多计算机视觉应用领域中,视频跟踪是最基本的任务。尽管有了大量的跟踪算法,但是跟踪算法的鲁棒性仍是具有挑战性的问题。物体的突然运动、目标或者背景外观的改变、目标与目标以及目标与背景的遮挡、非刚性物体的结构、摄像机抖动等问题都是视频跟踪算法设计过程中需要考虑的因素。介绍了视频跟踪算法及其研究进展,综述了现有基本的目标跟踪算法分类,详细描述了每种表示方法,并指出其优缺点。进一步讨论了跟踪的重要性问题,包括目标检测、特征选择、贝叶斯跟踪、在线学习跟踪等。     

深度学习下的视觉SLAM回环检测及其算法

作为机器人技术领域的研究重点之一,SLAM在无人驾驶、增强现实、虚拟现实等方面有重要应用.视觉SLAM利用连续的相机帧获取信息,完成环境环境感知,而长时间运行视觉SLAM系统会不断累积邻近帧间误差,影响后端优化收敛.针对此问题,提出一种基于深度学习的回环检测方法,使用回环检测模块以减少邻近帧间的误差积累,克服以人工标记...     

基于深度学习的小目标检测算法综述

随着人工智能技术的发展,深度学习技术在人脸识别、行人检测、无人驾驶等领域得到了广泛的应用.而目标检测作为机器视觉中最基本、最具有挑战性的问题之一,近年来受到了广泛的关注.针对目标检测特别是小目标检测问题,归纳了常用的数据集和性能评价指标,并对各类常见数据集的特点、优势及检测难度进行对比,系统性地总结了常用的目标检测方法...     

视觉单目标跟踪算法综述

目标跟踪技术根据视频上下文信息，建立一个跟踪模型对目标的运动状态进行预测，被广泛用于智能视频监控、自动驾驶、机器人导航、人机交互等多个计算机视觉领域。随着深度学习在语音识别，图像分类以及目标检测等领域的巨大成功，越来越多的研究将深度学习框架应用于目标跟踪任务中。介绍了当前单目标跟踪任务的难点和传统的方法,重点分析了当前基于深度学习的单目标跟踪算法的发展现状，从预训练网络＋相关滤波算法、基于孪生网络的方法、基于卷积神经网络的方法、基于生成对抗网络的方法以及其他深度学习方法几个方面，分别对当前流行的深度学习目标跟踪算法进行了概述。此外，总结了用于评测单目标跟踪算法性能的代表性数据集，列举了最新的研究成果在不同数据集上的实验结果并分析了当前单目标跟踪领域的问题和趋势。