作為計算機視覺領(lǐng)域中的一個重要研究方向,視覺目標(biāo)跟蹤技術(shù)目前已在自動駕駛、城市交通、人機交互、AI（Artificial intelligence）醫(yī)療等眾多領(lǐng)域得到了廣泛的應(yīng)用。但是,由于實際場景中背景復(fù)雜以及目標(biāo)自身變化不確定等諸多不定因素的存在,使得多數(shù)傳統(tǒng)跟蹤算法均不能有效地實現(xiàn)目標(biāo)轉(zhuǎn)態(tài)的估計。同時,當(dāng)前的基于深度學(xué)習(xí)的算法雖然實現(xiàn)了高精度的目標(biāo)跟蹤,但實時性通常不夠好。由此,跟蹤的關(guān)鍵在于如何在保證執(zhí)行效率的前提下,自適應(yīng)地應(yīng)對跟蹤過程中目標(biāo)外觀的變化和被遮擋問題。為解決上述問題,本文深入研究了基于卷積神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)低層圖像特征提取方法,提出一種基于深度特征共享的關(guān)鍵點匹配與跟蹤算法,將包含圖像語義信息和空間結(jié)構(gòu)信息的高層卷積特征與傳統(tǒng)具有高分辨率的低層特征算子進行結(jié)合,在提高了算法表征目標(biāo)的能力之外,能夠?qū)崿F(xiàn)對目標(biāo)的快速精確定位。以下是本文主要研究內(nèi)容及創(chuàng)新點:（1）跟蹤框架的創(chuàng)新突破了目前多數(shù)跟蹤算法僅基于傳統(tǒng)人工設(shè)計特征或基于高層深度圖像特征來完成目標(biāo)跟蹤任務(wù)的框架。首先,將從離線網(wǎng)絡(luò)中提取的深度圖像特征進行共享,進而使用特征點匹配算法共同完成對目標(biāo)的檢測過程,再與算法... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：92 頁

【學(xué)位級別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)的特征可視化示意圖

而當(dāng)數(shù)據(jù)量較大且某些維度對于所處理問題的相關(guān)度不大時，就可通過 PCA降維對數(shù)據(jù)進行處理，可以減少計算量，提升整個模型的擬合速度。圖2.6 去均值與歸一化處理效果圖2.2.2 批量隨機梯度下降算法確定網(wǎng)絡(luò)結(jié)構(gòu)已知后，就需進行網(wǎng)絡(luò)模型中參數(shù)的求解了。而在一個卷積神經(jīng)網(wǎng)

目標(biāo)函數(shù)與參數(shù)關(guān)系示意圖

【參考文獻】：
期刊論文
[1]高斯核函數(shù)卷積神經(jīng)網(wǎng)絡(luò)跟蹤算法[J]. 汪鴻翔,柳培忠,駱炎民,杜永兆,陳智.  智能系統(tǒng)學(xué)報. 2018(03)
[2]遷移學(xué)習(xí)研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報. 2015(01)
[3]基于Kinect傳感器深度信息的動態(tài)手勢識別[J]. 陶麗君,李翠華,張希婧,李勝睿.  廈門大學(xué)學(xué)報(自然科學(xué)版). 2013(04)
[4]一種基于多特征聚類的粒子濾波跟蹤算法[J]. 包加桐,郭晏,唐鴻儒,宋愛國.  機器人. 2011(05)
[5]遮擋情況下目標(biāo)跟蹤算法綜述[J]. 薛陳,朱明,劉春香.  中國光學(xué)與應(yīng)用光學(xué). 2009(05)
[6]圖像分割方法研究[J]. 黃長專,王彪,楊忠.  計算機技術(shù)與發(fā)展. 2009(06)

碩士論文
[1]基于RGB-D的SLAM算法研究[D]. 丁潔瓊.西安電子科技大學(xué) 2014



本文編號：3108975