視覺人車檢測和跟蹤是計(jì)算機(jī)視覺領(lǐng)域的基本內(nèi)容和研究熱點(diǎn),在視頻監(jiān)控、智能車輛駕駛和機(jī)器人導(dǎo)航等領(lǐng)域有著廣泛的應(yīng)用,這些應(yīng)用都能夠大大地加速物流行業(yè)信息化、自動(dòng)化和智能化進(jìn)程。本論文基于計(jì)算機(jī)視覺技術(shù)和深度學(xué)習(xí)方法,對人車檢測及跟蹤算法展開研究。對于人車檢測任務(wù),為了解決目標(biāo)檢測中圖片分辨率大和目標(biāo)小的問題,設(shè)計(jì)了多尺度裁切（crop）訓(xùn)練和多尺度測試策略。對于人車跟蹤任務(wù),針對兩種不同場景和條件,基于孿生網(wǎng)絡(luò)和相關(guān)濾波原理,分別設(shè)計(jì)了端到端的目標(biāo)跟蹤方法和結(jié)合重檢測的長期跟蹤方法。本文的主要研究工作如下:（1）為了解決目標(biāo)檢測中圖片分辨率高且小目標(biāo)多的問題,設(shè)計(jì)了多尺度裁切訓(xùn)練和多尺度測試策略,并采用實(shí)例分割方法MaskRCNN。在訓(xùn)練階段對原圖進(jìn)行多尺度的裁切,在測試階段將原圖進(jìn)行多尺度放縮,有效解決了大分辨率圖占顯存過高的問題,并提升了對小目標(biāo)識別的效果。采用Apolloscape數(shù)據(jù)集進(jìn)行評估,算法表現(xiàn)出優(yōu)越的效果并在CVPR 2018 WAD（Workshop on Autonomous Driving）挑戰(zhàn)賽中排名第四。（2）為了解決目標(biāo)跟蹤中目標(biāo)尺度、外觀變化等問題,基于孿... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－ｌＦａｓｔｅｒＲＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)圖??骨干網(wǎng)絡(luò)：采用ＣＮＮ進(jìn)行輸入圖像的特征提取，得到整張圖像的特征圖

２．１．２?—階段法檢測原理??一階段法檢測器的典型代表是ＹＯＬＯｌＭ，由Ｒｅｄｍｏｎ等人提出，它將目標(biāo)檢??測視為從圖像像素到邊界框和相關(guān)類概率的回歸問題。如圖２－２所示，由于區(qū)域??提議生成階段完全取消，ＹＯＬＯ使用全局圖像的特征來預(yù)測檢測結(jié)果。ＹＯＬＯ將??圖像劃分為ＳｘＳ網(wǎng)格，每個(gè)網(wǎng)格預(yù)測Ｃ個(gè)類別的概率分布、Ｂ個(gè)邊界框的坐標(biāo)??和對應(yīng)可信度得分。這些預(yù)測被編碼為一個(gè)ＳｘＳｘ（５Ｂ＋Ｃ）張量，網(wǎng)絡(luò)的輸出即為??這些編碼。通過完全取消區(qū)域提議生成階段，ＹＯＬＯ運(yùn)行速度很快，以４５幀每??秒（ＦＰＳ）實(shí)時(shí)運(yùn)行。由于ＹＯＬＯ在進(jìn)行預(yù)測時(shí)會(huì)看到整個(gè)圖像，因此它會(huì)隱式??編碼有關(guān)目標(biāo)類的上下文信息，并且可以減少背景上的誤檢。??夢［１；Ｉ??輸入圖片提取特征全連接層?分類??圖２－２?ＹＯＬＯ目標(biāo)檢測原理??Ｙ０Ｌ０ｖ２［ｉｎ是ＹＯＬＯ的改良版本，將骨干網(wǎng)絡(luò)替換為一個(gè)更簡單的??ＤａｒｋＮｅｔｌ９

第二章目標(biāo)檢測與跟蹤方法相關(guān)理論能達(dá)到最好的效果。當(dāng)目標(biāo)尺度變化較大時(shí)，小目標(biāo)適適用于高層的特征，根據(jù)目標(biāo)的尺寸，選取特征金字在不同特征層獨(dú)立進(jìn)行。??度特征金字塔網(wǎng)絡(luò)的特征提取流程如下：??擇一張需要處理的圖片，然后對該圖片進(jìn)行預(yù)處理操理過的圖片送入預(yù)訓(xùn)練的特征網(wǎng)絡(luò)中（如Ｒｅｓｎｅｔ＾絡(luò)；??圖２－３所示，構(gòu)建對應(yīng)的自頂向下的網(wǎng)絡(luò)（即對相鄰的作，先用１ｘ１的卷積對淺層進(jìn)行降維處理，然后將兩積操作），至此完成了特征提取過程，得到不同層的


本文編號：3025372