类内区分驱动的目标跟踪关键问题研究

With the rapid development of intelligent science and robot technology, the tracking problem of machine vision system becomes increasingly prominent, and has become the important obstacle restricting its development. The existing methods do not achieve satisfactory tracking results in complicated scenarios and the tracking performances do not meet the practical requirements. This project researches the key problems of visual tracking driven by intra-class differentiation, which studies the memory mechanism that represents and employs the target sequence knowledge, the model to locate the target accurately in real-time, the method to improve the accuracy of model learning by state identification, the coordination among different models, and the compromise between model structure and computational cost. The main contents include: 1) the imitative memory model for target sequence signals; 2) the target location by regression and multi-networks coordination; 3) the target state estimation by RNN. Research results of this project will further extend the research views, essentially improve the tracking performance in complicated scenarios, and provide beneficial references for visual tracking.

随着智能科学与机器人技术的快速发展，机器视觉系统的目标跟踪问题变得日益突出，已成为制约其发展的重要障碍。现有的跟踪方法在面对复杂场景时的跟踪效果仍不够理想，跟踪性能还难以达到实际应用的要求。本课题围绕目标跟踪类内区分核心问题，引入表示和使用目标序列知识的关联记忆思想，以实时准确定位为目标，注重状态辨别对模型学习准确性的影响，考虑不同功能模型之间的协同，以及模型结构与实时性之间的折衷，研究类内区分驱动的目标跟踪关键问题，主要研究内容包括：1）针对目标序列信号的模拟记忆模型；2）基于回归与多网络协同的目标定位；3）基于RNN的目标状态估计。本课题的研究将进一步拓展目标跟踪的研究思路，有利于从本质上提高复杂场景下的跟踪性能，为视觉目标跟踪技术研究提供有益的借鉴和参考。

随着智能科学与机器人技术的快速发展，机器视觉系统的目标跟踪问题变得日益突出，已成为制约其发展的重要障碍。现有的跟踪方法在面对复杂场景时的跟踪效果仍不够理想，跟踪性能还难以达到实际应用的要求。本项目围绕目标跟踪类内区分核心问题开展相关研究，主要研究内容包括：1）针对目标序列信号的模拟记忆模型；2）基于回归与多网络协同的目标定位；3）基于RNN的目标状态估计。项目完成了研究目标，主要研究进展为设计实现了多检测器模型和多层时序滤波模型，以及模型协同的目标跟踪算法，实现了有效的目标类内区分，在复杂场景下能够长时间实时准确的完成目标跟踪。项目研究成果应用于高铁弓网智能检测与监测系统，华为标准化考场智能感知系统等多个领域，具有广阔的应用前景。本项目的研究进一步拓展了目标跟踪的研究思路，为视觉目标跟踪技术研究提供了有价值的借鉴和参考。