發(fā)布時(shí)間：2021-04-22 22:39

　　本文設(shè)計(jì)的基于深度學(xué)習(xí)的實(shí)時(shí)長(zhǎng)時(shí)目標(biāo)跟蹤算法主要為了解決基于圖像的目標(biāo)跟蹤算法在工業(yè)界內(nèi)使用時(shí)實(shí)時(shí)性不好、魯棒性較差等問題。本文使用深度學(xué)習(xí)提取的卷積特征代替?zhèn)鹘y(tǒng)特征,保證了算法的有效性。利用三元組損失代替對(duì)比損失、修改模板更新方式等方式,保證了算法的長(zhǎng)時(shí)性。利用模型簡(jiǎn)化、算法加速等方式,保證了算法的實(shí)時(shí)性。最后實(shí)現(xiàn)了一個(gè)適用于現(xiàn)實(shí)場(chǎng)景的、可以長(zhǎng)時(shí)跟蹤的、保證了實(shí)時(shí)性的且有較強(qiáng)魯棒性的目標(biāo)跟蹤算法框架TripNet。本文主要貢獻(xiàn)以及創(chuàng)新點(diǎn)如下:1.在卷積特征提取訓(xùn)練時(shí),引入了三元組損失（Triplet Loss）,相比于使用對(duì)比損失訓(xùn)練得到的特征,更注重區(qū)分不同類別之間的差異并提高特征的質(zhì)量。相比于直接使用預(yù)訓(xùn)練好的卷積特征而不微調(diào)（Fine-Tuning）,特征更加關(guān)注物體的形變。相比于傳統(tǒng)的圖像特征,增加了特征的維度。這三方面的改進(jìn)都提升了最后的精度與準(zhǔn)確率,同時(shí)由于卷積提取的通用特征,也解決了手動(dòng)調(diào)節(jié)閾值的問題。2.在數(shù)據(jù)集制備過程中,引入了隨機(jī)裁剪,增加正樣本數(shù)量。由于視頻中目標(biāo)（正樣本）通常在每一幀只有一個(gè),但背景卻很多,所以將每一幀的目標(biāo)框放大后再隨機(jī)裁剪作為正樣本,這樣不... 

【文章來源】：西南財(cái)經(jīng)大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 發(fā)展趨勢(shì)
    1.4 研究目標(biāo)與意義
        1.4.1 研究目標(biāo)
        1.4.2 研究意義
    1.5 研究?jī)?nèi)容
        1.5.1 論文工作
        1.5.2 論文創(chuàng)新
    1.6 結(jié)構(gòu)安排
2.研究理論基礎(chǔ)
    2.1 目標(biāo)跟蹤算法概述
        2.1.1 相關(guān)濾波算法概述
        2.1.2 深度學(xué)習(xí)方法概述
    2.2 特征提取
        2.2.1 HOG特征
        2.2.2 卷積特征
    2.3 損失函數(shù)
        2.3.1 Contrastive Loss
        2.3.2 Triplet Loss
    2.4 訓(xùn)練策略
        2.4.1 MiniBatch
        2.4.2 BatchHard
    2.5 優(yōu)化算法
        2.5.1 SGD
        2.5.2 Momentum
        2.5.3 RMSProp
        2.5.4 Adam
    2.6 算法模型優(yōu)化
        2.6.1 模型改進(jìn)
        2.6.2 模型簡(jiǎn)化
    2.7 本章小結(jié)
3.算法設(shè)計(jì)與實(shí)現(xiàn)
    3.1 算法整體設(shè)計(jì)
        3.1.1 特征提取模塊
        3.1.2 跟蹤策略模塊
        3.1.3 算法優(yōu)化模塊
    3.2 特征提取模塊
        3.2.1 數(shù)據(jù)集預(yù)處理
        3.2.2 訓(xùn)練數(shù)據(jù)處理
        3.2.3 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
        3.2.4 三元組損失設(shè)計(jì)
        3.2.5 訓(xùn)練策略設(shè)計(jì)
        3.2.6 優(yōu)化算法設(shè)計(jì)
    3.3 跟蹤策略模塊
        3.3.1 模板更新策略設(shè)計(jì)
        3.3.2 尺度更新策略設(shè)計(jì)
    3.4 算法優(yōu)化模塊設(shè)計(jì)
    3.5 本章小結(jié)
4.算法測(cè)試與驗(yàn)證
    4.1 測(cè)試環(huán)境
    4.2 測(cè)試數(shù)據(jù)
    4.3 測(cè)試與驗(yàn)證流程
    4.4 測(cè)試與驗(yàn)證結(jié)果
        4.4.1 跟蹤算法精度與準(zhǔn)確率
        4.4.2 跟蹤算法實(shí)時(shí)性
        4.4.3 跟蹤算法長(zhǎng)時(shí)性
    4.5 算法測(cè)試效果
    4.6 測(cè)試與驗(yàn)證總結(jié)
5.結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
后記
致謝
在讀期間科研成果目錄


【參考文獻(xiàn)】：
期刊論文
[1]人臉識(shí)別綜述[J]. 劉衛(wèi)凱,郝雅倩,鄭晗,齊立萍.  信息記錄材料. 2018(07)
[2]基于特征融合和L-M算法的車輛重識(shí)別方法[J]. 王盼盼,李玉惠.  電子科技. 2018(04)
[3]基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測(cè)綜述[J]. 吳帥,徐勇,趙東寧.  模式識(shí)別與人工智能. 2018(04)
[4]基于多域卷積神經(jīng)網(wǎng)絡(luò)與自回歸模型的空中小目標(biāo)自適應(yīng)跟蹤方法[J]. 藺素珍,鄭瑤,祿曉飛,曾建潮.  光學(xué)學(xué)報(bào). 2017(12)
[5]行人重識(shí)別研究綜述[J]. 宋婉茹,趙晴晴,陳昌紅,干宗良,劉峰.  智能系統(tǒng)學(xué)報(bào). 2017(06)
[6]方向梯度直方圖綜述[J]. 劉方園,王水花,張煜東.  計(jì)算機(jī)工程與應(yīng)用. 2017(19)
[7]相關(guān)濾波目標(biāo)跟蹤進(jìn)展綜述[J]. 張微,康寶生.  中國(guó)圖象圖形學(xué)報(bào). 2017(08)
[8]基于深度學(xué)習(xí)的目標(biāo)跟蹤方法研究現(xiàn)狀與展望[J]. 羅海波,許凌云,惠斌,常錚.  紅外與激光工程. 2017(05)
[9]運(yùn)動(dòng)目標(biāo)跟蹤算法綜述[J]. 霍玲玲,楊瑩.  電子技術(shù)與軟件工程. 2016(24)
[10]卷積神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展綜述[J]. 楊斌,鐘金英.  南華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)

碩士論文
[1]基于目標(biāo)跟蹤的視頻去運(yùn)動(dòng)模糊[D]. 李娟.電子科技大學(xué) 2016
[2]旋翼無人機(jī)跟蹤地面移動(dòng)目標(biāo)的視覺控制[D]. 姜運(yùn)宇.哈爾濱工業(yè)大學(xué) 2014
[3]視頻監(jiān)控中的行人檢測(cè)與跟蹤方法研究[D]. 陳慧杰.廈門大學(xué) 2014
[4]關(guān)于循環(huán)矩陣若干問題的研究[D]. 胡艷.西南交通大學(xué) 2012



本文編號(hào)：3154594