摘 要

随着人工智能的蓬勃发展，无人驾驶也被研究者们广泛讨论，而无人驾驶中的目标跟踪也进入了人们的视野。由于每年意外事故造成的伤亡中交通事故所占的比例很高，并且交通事故发生的频率也很高，所以解决汽车行驶时的安全性问题事关重大。而无人驾驶技术由于采用了先进的技术，可以提前预测出附近车辆及行人的行驶路径，从而大大减少交通事故的发生，所以无人驾驶中的目标跟踪技术对我们有巨大的意义。

而目标跟踪的方法又可以分为两大类，一类是传统的目标跟踪方法，如DCF等，另一类是近些年发展迅速的基于深度学习的目标跟踪算法。近些年来，计算机硬件设备发展飞速，从1990年到2010年，非定制CPU的速度提高了约5000倍，并且随着互联网的兴起，收集与分发超大型数据集变得可行，计算机计算能力的增长速度更是超乎我们的想象，这些因素都使得我们利用深度学习算法进行大量数据的训练成为可能。

本文首先介绍了目标跟踪算法的背景及国内外现状，对目标跟踪的发展进行了介绍，接下来介绍了深度学习与神经网络方面的基础知识，这些是我们研究基于深度学习的目标跟踪算法的基础，之后又对几个现有的基于深度学习的目标跟踪算法，尤其是基于孪生网络的GOTURN、SiamFC、SiamRPN、DaSiamRPN、SiamRPN 进行了研究，并对它们的优点与缺点进行了分析，最后提出了一种基于SiamFC的改进算法，并在数据集上对其跟踪性能进行了验证，达到了较好的跟踪效果。

关键词：无人驾驶；目标跟踪；孪生网络；深度学习；

Abstract

With the rapid development of artificial intelligence, self-driving has been widely discussed by researchers, and target tracking in self-driving has also come into people's vision. Because of the high proportion of deaths and injuries caused by accidents each year and the high frequency of accidents, it is of great importance to solve the problem of vehicle safety while driving. With advanced technology, driverless vehicle technology can predict the driving path of nearby vehicles and pedestrians in advance, thus greatly reducing the occurrence of traffic accidents. Therefore, the target tracking technology in driverless vehicle is of great significance to us.

The target tracking methods can be divided into two categories: one is the traditional target tracking methods, such as DCF, and the other is the target tracking algorithm based on deep learning which has developed rapidly in recent years. Rapid development in recent years, computer hardware equipment, from 1990 to 2010, the custom by about 5000 times the speed of the CPU, and with the rise of the Internet, collection and distribution of very large data sets become feasible, computer growth of computing power is beyond our imagination, all these factors make us use deep learning algorithm for training of a large amount of data is possible.

This article first introduces the background of the target tracking algorithm and the status quo at home and abroad, the development of target tracking are introduced, then introduces the basic knowledge of deep learning and neural network, these are our research target tracking algorithm based on the deep learning basis, then the several existing target tracking algorithm based on depth of learning, especially GOTURN, SiamFC, based on the twin network SiamRPN, DaSiamRPN, SiamRPN was studied, and analyzes their advantages and disadvantages, Finally, an improved algorithm based on SiamFC is proposed, and its tracking performance is verified on the data set.

Key Words：Self-driving; Target tracking; Siamese network; Deep learning

目录

第1章 绪论 1

1.1 课题的背景和意义 1

1.2 国内外研究现状 2

1.3目标检测与目标跟踪的差异性 3

1.3.1目标检测 3

1.3.2目标跟踪 4

1.3.3目标检测与目标跟踪的差异性 5

1.4单目标跟踪与多目标跟踪 5

第2章 目标跟踪算法的简介与深度学习基础 6

2.1 目标跟踪算法的简介 6

2.1.1 单目标跟踪算法的结构 6

2.1.2单目标跟踪算法的过程 7

2.1.3 目标跟踪中存在的问题 8

2.2深度学习 8

2.2.1 神经网络 8

2.2.2 卷积神经网络 10

2.3 几种典型的卷积神经网络 11

2.3.1 LeNet 11

2.3.2 AlexNet 11

2.3.3ResNet 12

2.4 pytorch深度学习框架 13

第3章 基于深度学习的目标跟踪算法 15

3.1 GOTURN 15

3.1.1 优点 15

3.1.2 输入输出 15

3.1.3 网络结构 15

3.1.4 评测结果 16

3.2 孪生网络简介 17

3.3 SiamFC 18

3.3.1 提出的背景 19

3.3.2 优点 19

3.3.3 算法原理 19

3.3.4 损失函数 20

3.3.5 训练用的数据集 20

3.3.6 网络结构 21

3.3.7 评测结果 21

3.4 SiamRPN系列 24

3.4.1 SiamRPN 25

3.4.2 DaSiamRPN 26

3.4.3 SiamRPN 27

第4章 Siamfc的复现及结果 29

4.1 Siamfc复现 29

4.2 Siamfc复现结果 29

第5章 总结与展望 35

5.1 论文总结 35

5.2 以后工作的展望 35

参考文献 37

致 谢 38

第1章 绪论

• 1. 课题的背景和意义

过去几年里，视觉跟踪技术作为计算机视觉领域的热门课题之一，得到了越来越多的关注，并一直是一个非常活跃的研究方向^[1]。它在如视觉监控、机器人学、太阳预报、生物学、增强现实等领域有着广泛的应用。虽然近些年视觉跟踪有了一些进展，但仍然受到障碍物遮挡、同类型物体干扰、光照急剧变化等影响，并且当我们考虑跟踪器的效能时要同时兼顾目标跟踪的准确性、抗干扰鲁棒性和跟踪速度这几个问题。由此可见，基于深度学习的目标跟踪技术既十分火热，又需要研究者们解决很多仍未解决的问题。

随着人工智能技术的逐渐成熟，无人驾驶技术也被人们所关注，但数据显示，在意外事故中车祸占首位，而无人驾驶技术由于其采用的先进技术，在安全性与可靠性方面都有不错的前景。目标跟踪技术则是作为无人驾驶技术中很重要的组成部分，它是指：对于一段连续的视频，给定第一帧中的标定框（框住需要跟踪的物体），要求在该视频的后续帧中找到并框住该物体。

目标跟踪技术是无人驾驶技术中的重要组成部分。通过目标跟踪技术，无人驾驶汽车可以对附近其他车辆和行人的行为进行预测，这将有利于汽车对预测的结果进行反应。目标跟踪技术在无人驾驶汽车中的应用可以在一定程度上提高行驶的安全性。在无人驾驶车辆行驶的过程中，目标跟踪技术可以通过预测其他车辆未来的位置从而预测有可能发生的碰撞，汽车可以对预测的结果进行决策和处理从而避免碰撞。因此，无人驾驶中跟踪技术的研究与发展对于提高汽车行驶的安全性有着重要的意义。