目標(biāo)檢測(cè)與視頻目標(biāo)跟蹤一直是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn),目前這些技術(shù)已經(jīng)廣泛應(yīng)用在交通、安防、軍事偵查等多個(gè)方面。但在小型飛行平臺(tái)這個(gè)使用場(chǎng)景中,由于目標(biāo)往往遠(yuǎn)離平臺(tái),造成目標(biāo)在視野中占比小,現(xiàn)有很多算法難以達(dá)到好的效果。此外,小型飛行平臺(tái)出于載重量、續(xù)航等方面的考量,機(jī)載設(shè)備性能普遍較低,而現(xiàn)有很多算法復(fù)雜度大,難以直接移植使用。針對(duì)上述困境,本論文首先對(duì)現(xiàn)有的目標(biāo)檢測(cè)和視頻目標(biāo)跟蹤算法進(jìn)行了深入分析,尋找出幾種性能較好的算法作為改進(jìn)的基礎(chǔ),然后通過查閱相關(guān)領(lǐng)域的研究進(jìn)展,確定了改進(jìn)方向。具體研究?jī)?nèi)容如下:(1)在目標(biāo)檢測(cè)方面,本文選擇SSD目標(biāo)檢測(cè)算法作為改進(jìn)的出發(fā)點(diǎn),然后參考了近年來卷積神經(jīng)網(wǎng)絡(luò)壓縮優(yōu)化方面的進(jìn)展,決定采用MobileNetV2骨干網(wǎng)絡(luò)取代原有的VGG-16,構(gòu)建一個(gè)輕量級(jí)的SSD目標(biāo)檢測(cè)算法。在此基礎(chǔ)上,本文對(duì)該類型算法在小目標(biāo)檢測(cè)任務(wù)上效果差的原因進(jìn)行了深入分析。然后受focal loss理論啟發(fā),將focal loss損失函數(shù)引入到算法中,通過調(diào)節(jié)focal loss函數(shù)的超參數(shù)來提高小目標(biāo)在訓(xùn)練中的權(quán)重,進(jìn)而提升算法對(duì)小目標(biāo)的檢測(cè)能力,使得整個(gè)算法能更好的適...

【文章頁數(shù)】：86 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及面臨的問題
        1.2.1 目標(biāo)檢測(cè)算法國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 視頻目標(biāo)跟蹤算法國(guó)內(nèi)外研究現(xiàn)狀
        1.2.3 針對(duì)小型飛行平臺(tái)應(yīng)用所面臨的問題
    1.3 研究?jī)?nèi)容及創(chuàng)新點(diǎn)
        1.3.1 研究?jī)?nèi)容
        1.3.2 創(chuàng)新點(diǎn)
    1.4 論文結(jié)構(gòu)安排
第二章 目標(biāo)檢測(cè)算法的相關(guān)理論
    2.1 目標(biāo)檢測(cè)算法基礎(chǔ)理論
        2.1.1 預(yù)處理
        2.1.2 特征提取
        2.1.3 特征分類
    2.2 CNN理論基礎(chǔ)
        2.2.1 CNN發(fā)展簡(jiǎn)介
        2.2.2 CNN基本結(jié)構(gòu)及理論
        2.2.3 CNN訓(xùn)練方法
    2.3 基于DCNN的目標(biāo)檢測(cè)算法
        2.3.1 Two-stage法
        2.3.2 One-stage法
第三章 基于DCNN的輕量級(jí)小目標(biāo)檢測(cè)算法
    3.1 CNN模型壓縮優(yōu)化
        3.1.1 SqueezeNet
        3.1.2 MobileNet
        3.1.3 ShuffleNet
    3.2 基于DCNN的輕量級(jí)小目標(biāo)檢測(cè)模型
        3.2.1 模型架構(gòu)
        3.2.2 Focalloss理論
        3.2.3 損失函數(shù)改進(jìn)
    3.3 模型實(shí)現(xiàn)
        3.3.1 軟硬件環(huán)境介紹
        3.3.2 訓(xùn)練集制作
        3.3.3 模型構(gòu)建及訓(xùn)練
    3.4 仿真實(shí)驗(yàn)及結(jié)果分析
        3.4.1 與基于InceptionV2的SSD算法比較
        3.4.2 與基于MobileNetV1的SSD算法比較
        3.4.3 與基于MobileNetV2的SSD算法比較
        3.4.4 定量對(duì)比結(jié)果
    3.5 本章小結(jié)
第四章 結(jié)合顯著性檢測(cè)的TLD視頻目標(biāo)跟蹤算法
    4.1 傳統(tǒng)的TLD目標(biāo)跟蹤算法
        4.1.1 跟蹤器
        4.1.2 檢測(cè)器
        4.1.3 學(xué)習(xí)器
    4.2 視覺顯著性目標(biāo)檢測(cè)算法
        4.2.1 視覺顯著性目標(biāo)檢測(cè)發(fā)展簡(jiǎn)介
        4.2.2 簡(jiǎn)單線性迭代聚類超像素分割算法詳解
        4.2.3 元胞自動(dòng)機(jī)理論簡(jiǎn)介
        4.2.4 基于元胞自動(dòng)機(jī)的視覺顯著性目標(biāo)檢測(cè)算法
    4.3 結(jié)合顯著性檢測(cè)的TLD視頻目標(biāo)跟蹤算法
        4.3.1 改進(jìn)后的算法流程
        4.3.2 更進(jìn)一步改進(jìn)
    4.4 仿真實(shí)驗(yàn)及結(jié)果分析
        4.4.1 定性對(duì)比
        4.4.2 定量對(duì)比
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3824497