目標(biāo)跟蹤是計(jì)算機(jī)視覺的一個(gè)重要研究分支,然而在實(shí)際應(yīng)用的復(fù)雜環(huán)境下,存在著諸如遮擋、光照變化、背景干擾等情況。為了解決上述問題,本文對(duì)目標(biāo)跟蹤中目標(biāo)方位預(yù)測算法和孿生網(wǎng)絡(luò)目標(biāo)跟蹤算法進(jìn)行了研究和探索,并進(jìn)行了改進(jìn)和融合。本文主要研究工作和創(chuàng)新點(diǎn)如下:為了充分挖掘目標(biāo)的運(yùn)動(dòng)信息并應(yīng)用于目標(biāo)跟蹤算法中,本文提出了一種基于多漸消因子容積卡爾曼濾波的目標(biāo)方位預(yù)測算法。首先針對(duì)目標(biāo)運(yùn)動(dòng)隨機(jī)的問題,本文利用“當(dāng)前”統(tǒng)計(jì)模型對(duì)目標(biāo)的運(yùn)動(dòng)狀態(tài)建立非線性運(yùn)動(dòng)狀態(tài)方程。其次為提高算法對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)突變的應(yīng)對(duì)能力,本文通過在容積卡爾曼濾波中引入多漸消因子來對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)方程進(jìn)行估計(jì)和更新。仿真結(jié)果證明,該方法可以有效地刻畫目標(biāo)的運(yùn)動(dòng)狀態(tài),為后續(xù)跟蹤算法打下良好基礎(chǔ)。針對(duì)孿生網(wǎng)絡(luò)目標(biāo)跟蹤算法在背景干擾和遮擋時(shí)容易跟蹤失敗的問題,本文提出了一種基于目標(biāo)方位預(yù)測的LP-SiamRPN目標(biāo)跟蹤算法。該方法在孿生候選區(qū)域生成網(wǎng)絡(luò)的基礎(chǔ)上引入目標(biāo)方位預(yù)測算法對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)進(jìn)行預(yù)測。算法首先根據(jù)目標(biāo)運(yùn)動(dòng)信息建立采樣區(qū)域,提高了搜索的精度和速度。其次,算法對(duì)偏離預(yù)測方位的高得分錨點(diǎn)框進(jìn)行抑制,可以有效地消除相似目標(biāo)的干擾。... 

【文章來源】：武漢科技大學(xué)湖北省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

目標(biāo)跟蹤框架

武漢科技大學(xué)碩士學(xué)位論文92.2孿生候選區(qū)域生成網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)2.2.1孿生神經(jīng)網(wǎng)絡(luò)孿生網(wǎng)絡(luò)最開始的時(shí)候被用于衡量兩個(gè)輸入樣本之間的相似程度，它的兩個(gè)子網(wǎng)絡(luò)在結(jié)構(gòu)上完全相同并共享網(wǎng)絡(luò)權(quán)重。另外，若兩個(gè)子網(wǎng)絡(luò)不共享權(quán)重甚至為不同架構(gòu)的兩個(gè)網(wǎng)絡(luò)，互相分開，例如一個(gè)是長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)，另一個(gè)是卷積神經(jīng)網(wǎng)絡(luò)，則這樣的網(wǎng)絡(luò)結(jié)構(gòu)稱為偽孿生神經(jīng)網(wǎng)絡(luò)（Pseudo-SiameseNetwork）[45]。本文中的孿生網(wǎng)絡(luò)使用的是結(jié)構(gòu)上一致并共享權(quán)重的孿生網(wǎng)絡(luò)。孿生網(wǎng)絡(luò)的核心思想是把兩個(gè)輸入經(jīng)過映射函數(shù)映射到特征空間內(nèi)，然后在特征空間通過某種距離度量方法來比較兩個(gè)輸入的相似程度。如圖2.3所示為孿生網(wǎng)絡(luò)結(jié)構(gòu)圖，設(shè)兩個(gè)輸入分別為1X和2X，映射函數(shù)為卷積神經(jīng)網(wǎng)絡(luò)，用()WX表示，W表示網(wǎng)絡(luò)的權(quán)重。通過映射函數(shù)后，兩個(gè)輸入分別表示為1()WX和2()WX。最后經(jīng)過距離函數(shù)得到1()WX和2()WX在特征空間內(nèi)的距離（相似程度）WE。圖2.3孿生網(wǎng)絡(luò)結(jié)構(gòu)圖訓(xùn)練孿生網(wǎng)絡(luò)時(shí)的輸入為12(X,X,Y)，其中1X，2X分別表示兩個(gè)子網(wǎng)絡(luò)的輸入，Y表示有監(jiān)督訓(xùn)練的標(biāo)簽。訓(xùn)練孿生網(wǎng)絡(luò)常用的對(duì)比損失（ContrastiveLoss）函數(shù)如式（2-3）所示，該損失函數(shù)的目的是增大類間差異和減少類內(nèi)差異。122()()WWd=XX（2-1）

武漢科技大學(xué)碩士學(xué)位論文102211(1)max(,0)2NiLYdYmargindN==+（2-2）式（2-1）中d表示兩個(gè)樣本之間的歐氏距離，margin表示設(shè)定的閾值。當(dāng)輸入1X，2X表示同一類別時(shí)，標(biāo)簽Y=1，此時(shí)式變?yōu)?d；當(dāng)輸入1X，2X為不同類別時(shí)，標(biāo)簽Y=0，此時(shí)式變?yōu)閙ax(margind,0)2。2.2.2候選區(qū)域生成網(wǎng)絡(luò)傳統(tǒng)的用于區(qū)域生成的方法大多都是耗時(shí)的，例如基于手工特征和貪婪算法的selectivesearch處理一張圖片需要2秒鐘，嚴(yán)重限制了算法的實(shí)時(shí)性，并且其生成的區(qū)域?qū)罄m(xù)跟蹤來說不夠精確。為解決上述方法存在的時(shí)間復(fù)雜度高、檢測效率慢、定位不準(zhǔn)確、信息不能共享問題，Ren等人在文獻(xiàn)[30]中提出用于生成較精確目標(biāo)候選框的RPN，網(wǎng)絡(luò)的主要原理是枚舉不同尺度、不同比例的框和共享卷積。RPN由前景-背景分類器和邊界框回歸網(wǎng)絡(luò)組成，如圖2.4所示。RPN在特征圖上運(yùn)用滑動(dòng)窗口法，在每個(gè)位置上同時(shí)對(duì)k個(gè)錨點(diǎn)框（anchorbox）進(jìn)行計(jì)算，計(jì)算前后景分?jǐn)?shù)和坐標(biāo)。將特征圖上33大小的特征輸入到一個(gè)小型神經(jīng)網(wǎng)絡(luò)中輸出更低維的256維特征，然后對(duì)該特征做非線性處理，再將結(jié)果分別輸入到回歸層和分類層這兩個(gè)全連接層中，其中回歸層負(fù)責(zé)回歸錨框的4k個(gè)坐標(biāo)(x,y,w,h)，分類層負(fù)責(zé)預(yù)測錨框中2k個(gè)前后景分?jǐn)?shù)。圖2.4RPN結(jié)構(gòu)圖

【參考文獻(xiàn)】：
期刊論文
[1]基于孿生網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)跟蹤算法綜述[J]. 陳云芳,吳懿,張偉.  計(jì)算機(jī)工程與應(yīng)用. 2020(06)
[2]視頻目標(biāo)跟蹤技術(shù)綜述[J]. 李均利,尹寬,儲(chǔ)誠曦,汪鴻年.  燕山大學(xué)學(xué)報(bào). 2019(03)
[3]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)別與人工智能. 2018(01)
[4]武器精確制導(dǎo)目標(biāo)跟蹤測量仿真研究[J]. 艾波,劉凱.  計(jì)算機(jī)仿真. 2016(12)
[5]一種基于SIFT特征光流的運(yùn)動(dòng)目標(biāo)跟蹤算法[J]. 李艷萍,林建輝,楊寧學(xué).  計(jì)算機(jī)科學(xué). 2015(11)
[6]目標(biāo)跟蹤技術(shù)綜述[J]. 高文,朱明,賀柏根,吳笑天.  中國光學(xué). 2014(03)
[7]深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國圖象圖形學(xué)報(bào). 2014(02)
[8]非線性系統(tǒng)帶次優(yōu)漸消因子的擴(kuò)展卡爾曼濾波[J]. 周東華,席裕庚,張鐘俊.  控制與決策. 1990(05)

碩士論文
[1]基于YOLOv3和多目標(biāo)跟蹤的智能交通視頻監(jiān)控系統(tǒng)[D]. 曾星宇.桂林電子科技大學(xué) 2019
[2]智能監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法研究[D]. 杜新輝.北京交通大學(xué) 2019
[3]面向知識(shí)圖譜的表示學(xué)習(xí)研究[D]. 栗永芳.桂林電子科技大學(xué) 2018
[4]人機(jī)交互系統(tǒng)中的目標(biāo)跟蹤算法研究[D]. 陳凱.長安大學(xué) 2015



本文編號(hào)：3398065