目標(biāo)跟蹤是計算機視覺領(lǐng)域的重要研究方向,受到國內(nèi)外研究學(xué)者的普遍關(guān)注。行人跟蹤作為目標(biāo)跟蹤一個重要分支,是模式識別及機器學(xué)習(xí)領(lǐng)域的研究熱點之一,被廣泛應(yīng)用于智能監(jiān)控等領(lǐng)域,具有十分重要的應(yīng)用價值。隨著大數(shù)據(jù)和人工智能時代的到來,深度學(xué)習(xí)在圖像分類識別領(lǐng)域取得了巨大成功。相應(yīng)地,基于深度學(xué)習(xí)的行人跟蹤算法也得到了快速發(fā)展。近年來,基于孿生（Siamese）神經(jīng)網(wǎng)絡(luò)的跟蹤器因其能兼顧跟蹤精度和速度而倍受關(guān)注,得到快速發(fā)展,但仍有一些問題需要解決。例如,大多數(shù)Siamese及其改進跟蹤方法的主干網(wǎng)絡(luò)均直接采用面向目標(biāo)分類任務(wù)的神經(jīng)網(wǎng)絡(luò),欠缺對同類物體的區(qū)分能力。而在行人跟蹤中,目標(biāo)行人極易受到鄰近行人的干擾或遮擋,算法有很高的概率丟失正確目標(biāo)轉(zhuǎn)而跟蹤其他行人。其次,Siamese跟蹤方法將單目標(biāo)跟蹤問題轉(zhuǎn)化為one-shot目標(biāo)檢測任務(wù),未能充分利用視覺跟蹤的時域相關(guān)性。第三,Siamese跟蹤方法采用視頻序列的固定幀作為跟蹤模板,在跟蹤過程中未提供模板更新機制,難以處理跟蹤場景中行人外觀的劇烈變化。本文主要研究基于深度學(xué)習(xí)孿生網(wǎng)絡(luò)的行人跟蹤算法。首先,針對Siamese跟蹤方法以分類神經(jīng)網(wǎng)... 

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 選題的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文主要內(nèi)容和結(jié)構(gòu)安排
2 理論概述
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積
        2.1.2 卷積層
        2.1.3 池化
        2.1.4 網(wǎng)絡(luò)結(jié)構(gòu)
    2.2 卡爾曼濾波
    2.3 孿生網(wǎng)絡(luò)結(jié)構(gòu)
    2.4 本章小結(jié)
3 基于表觀信息的SiamRPN跟蹤
    3.1 研究背景
    3.2 基于表觀信息的SiamRPN跟蹤
        3.2.1 SiamRPN框架
        3.2.2 算法結(jié)構(gòu)
        3.2.3 顏色相似度的計算方法
    3.3 實驗結(jié)果與分析
    3.4 本章小結(jié)
4 基于幀間信息的SiamRPN跟蹤
    4.1 結(jié)合卡爾曼濾波的SiamRPN跟蹤
        4.1.1 算法流程
        4.1.2 實驗結(jié)果及分析
    4.2 模板更新策略
        4.2.1 算法流程
        4.2.2 實驗結(jié)果及分析
    4.3 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻
附錄
    A.作者在攻讀學(xué)位期間參與的科研項目
    B.學(xué)位論文數(shù)據(jù)集
致謝



本文編號：3690502