留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度学习的目标跟踪方法研究现状与展望

罗海波 许凌云 惠斌 常铮

罗海波, 许凌云, 惠斌, 常铮. 基于深度学习的目标跟踪方法研究现状与展望[J]. 红外与激光工程, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002
引用本文: 罗海波, 许凌云, 惠斌, 常铮. 基于深度学习的目标跟踪方法研究现状与展望[J]. 红外与激光工程, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002
Luo Haibo, Xu Lingyun, Hui Bin, Chang Zheng. Status and prospect of target tracking based on deep learning[J]. Infrared and Laser Engineering, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002
Citation: Luo Haibo, Xu Lingyun, Hui Bin, Chang Zheng. Status and prospect of target tracking based on deep learning[J]. Infrared and Laser Engineering, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002

基于深度学习的目标跟踪方法研究现状与展望

doi: 10.3788/IRLA201746.0502002
基金项目: 

总装预研项目(51301030108)

详细信息
    作者简介:

    罗海波(1967-),男,研究员,博士生导师,博士,主要从事图像处理、目标跟踪、目标识别等方面的研究。Email:luohb@sia.cn

  • 中图分类号: TP391

Status and prospect of target tracking based on deep learning

  • 摘要: 目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中选择感兴趣的目标,在接下来的连续帧中,找到该目标的准确位置并形成其运动轨迹。目标跟踪是一个颇具挑战性的问题,目标的非刚性变化往往改变了目标的表观模型,同时复杂的光照变化、目标与场景间的遮挡、背景中相似物体的干扰和摄像机的抖动等使目标跟踪任务变得更加困难。近年来,随着深度学习在目标检测和识别等领域中取得巨大的突破,许多学者开始将深度学习模型引入到目标跟踪中,并在一系列数据评测集上取得了优于传统方法的性能,逐渐开启了目标跟踪领域的新篇章。文中将首先阐述目标跟踪问题的难点和基本解决思路;然后根据利用深度学习算法解决目标跟踪问题的不同思路,对当前出现的此类主流算法进行分析,介绍这些算法各自的优缺点及未来的工作方向。
  • [1] Yi lmaz A, Javed O, Shah M. Object tracking[J.] ACM Comput Surv, 2006, 38(4):13.
    [2] Bao C, Wu Y, Ling H, et al. Real time robust L1 tracker using accelerated proximal gradient approach[J]. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit, 2012, 157(10):1830-1837.
    [3] Bertinetto L, Valmadre J, Golodetz S, et al. Staple:Complementary Learners for Real-Time Tracking[M]. Oxford:University of Oxford, 2015:1401-1409.
    [4] Luo J, Konofagou E. A fast normalized cross-correlation calculation method for motion estimation[J]. IEEE Trans Ultrason Ferroelectr Freq Control, 2010, 57(6):1347-1357.
    [5] Chang C, Ansari R. Kernel particle filter for visual tracking[J]. IEEE Signal Process Lett, 2005,12(3):242-245.
    [6] Amiaz T, Lubetzky E, Kiryati N. Coarse to over-fine optical flow estimation[J]. Pattern Recognit, 2007, 40(9):2496-2503.
    [7] Comaniciu D, Meer P, Member S. Mean Shift:a robust approach toward feature space analysis[J]. IEEE Transaction on Pattern Analasys and Machine Intelligence, 2002, 24(5):603-619.
    [8] Shi Zelin, Wang Junqing, Huang Shabai. Tracking of deformable objects in complex scene[J]. Opto-Electronic Engineering, 2005, 32(1):2-6.
    [9] Zhang T, Bibi A, Ghanem B. In defense of sparse tracking:circulant sparse tracker[C]//CVPR, 2016, 3:1-8.
    [10] Tao R, Gavves E, Smeulders A W M. Siamese Instance Search for Tracking[C]//CVPR, 2016:1420-1429.
    [11] Kala l Z, Mikolajczyk K, Matas J. Tracking-Learning-Detection[J]. IEEE Transaction on Pattern Analasys and Machine Intelligence, 2010, 6(1):1-14.
    [12] Hare S, Saffari A, Torr P H S. Struck_Structured output tracking with kernels[C]//2011 IEEE International Conference on Computer Vision, 2011:263-270.
    [13] Henriques J F, Caseiro R, Martins P, et al. High-speed tracking with kernelized correlation filters[J]. EEE Trans Pattern Anal Mach Intell, 2015, 37(3):583-596.
    [14] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networksr[J]//Science, 2006, 313(5786):504-507.
    [15] Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7):1527-1554.
    [16] Held D, Thrun S, Savarese S. Learning to track at 100 FPS with deep regression networks[C]//ECCV, 2016, 9905:749-765.
    [17] Wang N, Yeung D Y. Learning a deep compact image representation for visual tracking[C]//Adv Neural Inf Process Syst, 2013:1-9.
    [18] Danelljan M, Robinson A, Khan F S, et al. Felsberg, Beyond correlation filters:Learning continuous convolution operators for visual tracking[C]//ECCV 2016, 2016, 9909:472-488.
    [19] Qi Y, Zhang S, Qin L, et al. Hedged Deep Tracking[C]//CVPR, 2016:4303-4311.
    [20] Wang L, Ouyan g W, Wang X, et al. Stct:Sequentially training convolutional networks for visual tracking[C]//IEEE Conf Comput Vis Pattern Recognit, 2016:1373-1381.
    [21] Nam H, Han B. Learning multi-domain convolutional neural networks for visual tracking[J]. Computer Science, 2015:4293-4302.
    [22] Nam H, Baek M, Han B. Modeling and propagating CNNs in a tree structure for visual tracking[C]//European Conference on Computer Vision, 2016:1-10.
    [23] Cui Z, Xiao S, Feng J, et al. Recurrently target-attending tracking[J]. IEEE Conf Comput Vis Pattern Recognit, 2016:1449-1458.
    [24] Ning Guanghan, Zhang Zhi, Huang Chen, et al. Spatially supervised recurrent convolutional neural networks for visual object tracking[C]//CVPR 2016, 2016.
  • [1] 吴志洋, 王双, 刘铁根, 靳党鹏.  基于深度学习视觉和激光辅助的盾构管片自动拼装定位方法 . 红外与激光工程, 2022, 51(4): 20210183-1-20210183-9. doi: 10.3788/IRLA20210183
    [2] 张津浦, 王岳环.  融合检测技术的孪生网络跟踪算法综述 . 红外与激光工程, 2022, 51(10): 20220042-1-20220042-14. doi: 10.3788/IRLA20220042
    [3] 陈宏宇, 罗海波, 惠斌, 常铮.  采用多特征融合的子块自动提取方法 . 红外与激光工程, 2021, 50(8): 20200407-1-20200407-9. doi: 10.3788/IRLA20200407
    [4] 宋闯, 姜鹏, 段磊, 孙剑峰, 范之国.  新型光电探测技术在精确制导武器上的应用研究(特约) . 红外与激光工程, 2020, 49(6): 20201015-1-20201015-10. doi: 10.3788/IRLA20201015
    [5] 石峰, 陆同希, 杨书宁, 苗壮, 杨晔, 张闻文, 何睿清.  噪声环境下基于单像素成像系统和深度学习的目标识别方法 . 红外与激光工程, 2020, 49(6): 20200010-1-20200010-8. doi: 10.3788/IRLA20200010
    [6] 赵洋, 傅佳安, 于浩天, 韩静, 郑东亮.  深度学习精确相位获取的离焦投影三维测量 . 红外与激光工程, 2020, 49(7): 20200012-1-20200012-8. doi: 10.3788/IRLA20200012
    [7] 张慧娟, 熊芝, 劳达宝, 周维虎.  基于EPNP算法的单目视觉测量系统研究 . 红外与激光工程, 2019, 48(5): 517005-0517005(6). doi: 10.3788/IRLA201948.0517005
    [8] 张代军, 罗海波, 常铮, 惠斌.  整流罩层流换热瞬时温升计算及其结构改进 . 红外与激光工程, 2018, 47(2): 204004-0204004(7). doi: 10.3788/IRLA201847.0204004
    [9] 姚旺, 刘云鹏, 朱昌波.  基于人眼视觉特性的深度学习全参考图像质量评价方法 . 红外与激光工程, 2018, 47(7): 703004-0703004(8). doi: 10.3788/IRLA201847.0703004
    [10] 唐聪, 凌永顺, 郑科栋, 杨星, 郑超, 杨华, 金伟.  基于深度学习的多视窗SSD目标检测方法 . 红外与激光工程, 2018, 47(1): 126003-0126003(9). doi: 10.3788/IRLA201847.0126003
    [11] 郭强, 芦晓红, 谢英红, 孙鹏.  基于深度谱卷积神经网络的高效视觉目标跟踪算法 . 红外与激光工程, 2018, 47(6): 626005-0626005(6). doi: 10.3788/IRLA201847.0626005
    [12] 唐聪, 凌永顺, 杨华, 杨星, 郑超.  基于深度学习物体检测的视觉跟踪方法 . 红外与激光工程, 2018, 47(5): 526001-0526001(11). doi: 10.3788/IRLA201847.0526001
    [13] 王天宇, 董文博, 王震宇.  基于单目视觉和固定靶标的位姿测量系统 . 红外与激光工程, 2017, 46(4): 427003-0427003(8). doi: 10.3788/IRLA201746.0427003
    [14] 刘宇航, 顾营迎, 李昂, 李大为, 徐振邦, 刘宏伟, 吴清文.  气浮实验台位姿视觉测量方法 . 红外与激光工程, 2017, 46(10): 1017005-1017005(8). doi: 10.3788/IRLA201773.1017005
    [15] 邢运龙, 李艾华, 崔智高, 方浩.  改进核相关滤波的运动目标跟踪算法 . 红外与激光工程, 2016, 45(S1): 214-221. doi: 10.3788/IRLA201645.S126004
    [16] 邵春艳, 丁庆海, 罗海波, 李玉莲.  采用高维数据聚类的目标跟踪 . 红外与激光工程, 2016, 45(4): 428002-0428002(10). doi: 10.3788/IRLA201645.0428002
    [17] 崔雄文, 吴钦章, 蒋平, 周进.  子空间模型下的仿射不变目标跟踪 . 红外与激光工程, 2015, 44(2): 769-774.
    [18] 赵微, 惠斌, 张玉晓.  红外舰船目标的要害点检测算法 . 红外与激光工程, 2014, 43(1): 48-52.
    [19] 黎志华, 李新国.  基于OpenCV的红外弱小运动目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2561-2565.
    [20] 彭晨, 陈钱, 钱惟贤, 徐富元.  复杂地面场景下的红外运动目标跟踪 . 红外与激光工程, 2013, 42(6): 1410-1414.
  • 加载中
计量
  • 文章访问数:  1620
  • HTML全文浏览量:  420
  • PDF下载量:  1452
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-09-10
  • 修回日期:  2016-10-20
  • 刊出日期:  2017-05-25

基于深度学习的目标跟踪方法研究现状与展望

doi: 10.3788/IRLA201746.0502002
    作者简介:

    罗海波(1967-),男,研究员,博士生导师,博士,主要从事图像处理、目标跟踪、目标识别等方面的研究。Email:luohb@sia.cn

基金项目:

总装预研项目(51301030108)

  • 中图分类号: TP391

摘要: 目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中选择感兴趣的目标,在接下来的连续帧中,找到该目标的准确位置并形成其运动轨迹。目标跟踪是一个颇具挑战性的问题,目标的非刚性变化往往改变了目标的表观模型,同时复杂的光照变化、目标与场景间的遮挡、背景中相似物体的干扰和摄像机的抖动等使目标跟踪任务变得更加困难。近年来,随着深度学习在目标检测和识别等领域中取得巨大的突破,许多学者开始将深度学习模型引入到目标跟踪中,并在一系列数据评测集上取得了优于传统方法的性能,逐渐开启了目标跟踪领域的新篇章。文中将首先阐述目标跟踪问题的难点和基本解决思路;然后根据利用深度学习算法解决目标跟踪问题的不同思路,对当前出现的此类主流算法进行分析,介绍这些算法各自的优缺点及未来的工作方向。

English Abstract

参考文献 (24)

目录

    /

    返回文章
    返回