基于深度可分离卷积的多目标追踪神经网络研究

温博阁

(大连交通大学 交通运输工程学院，辽宁 大连 116028)*

随着近年来人工智能神经网络的爆发式发展，在图像识别领域，结合人工智能方法的目标追踪属于刚刚兴起的研究方向，其应用场景十分广阔.智能追踪算法可以极大地提高各个领域的效率，目前很多的跟踪技术是基于卡尔曼滤波的算法.卡尔曼滤波被广泛应用于无人机、自动驾驶、卫星导航等领域，但通过卡尔曼滤波的预测值没法应对复杂环境下目标追踪所带来的挑战.因此为了更好地追踪效果，大部分使用卡尔曼滤波的方法都借助了更为先进的设备，如激光雷达，深度摄像头等.得益于雷达生成的3D点云，深度摄像头的像素深度信息，利用卡尔曼滤波将需要追踪的点云与目标区域相结合，进而得到稳定的追踪区域.但是缺点也十分明显，激光雷达成本不菲，其可靠性也难以达到工业产品7×24全天运行要求.

基于这种情况，引入深度学习的方法，让普通摄像头在追踪方面也达到激光雷达和深度摄像头的水平就成了研究的热点.其中最著名的就是相关滤波KCF[1]方法，自其提出以来，优秀的追踪算法就开始不断涌现，但相关滤波方法有很多不足的地方，如HOG特征不能很好地体现被追踪物体特征，导致追踪精度出现问题.随着深度神经网络的不断完善，深度神经网络替换滤波的追踪方法也涌现出来，如DCF[2]，Siamese[3]，SINT[4]等相关算法将传统KCF的滤波过程替换成基于深度神经网络的过……