基于計算機視覺的目標(biāo)跟蹤已應(yīng)用在智能監(jiān)控、智能交通、人機交互、安保機器人中。單目標(biāo)跟蹤是在視頻初始幀給定跟蹤目標(biāo)的位置和大小,然后在接下來的視頻幀中對目標(biāo)進行跟蹤。本文跟蹤的目標(biāo)是人,而人屬于非剛體,相對于剛體(汽車、自行車)容易發(fā)生形變。由于形變的方向和大小是無法預(yù)測的,很難使用幾何形狀來描述人的形變。多人場景比單人場景要復(fù)雜些,多人場景下人與人容易發(fā)生遮擋,這會使得跟蹤的魯棒性有所下降。針對以上問題,本文對現(xiàn)有的目標(biāo)跟蹤算法進行了深入的研究,主要工作如下:(1)針對背景干擾和目標(biāo)人會發(fā)生形變的問題,提出一種基于注意力機制與多層深度特征融合的目標(biāo)人跟蹤模型(Multi-Layer Depth Feature and ChannelSpace Attention,MLDF-CSA)。該模型首先將卷積的高層語義特征和低層視覺特征進行加權(quán)融合,然后經(jīng)過通道-空間注意力模塊,給目標(biāo)特征賦予較高的權(quán)重,背景特征賦予較低的權(quán)重。使用logistic與中心損失函數(shù)組成的多損失函數(shù)訓(xùn)練模型。實驗結(jié)果表明,本文提出的MLDF-CSA與其他主流的跟蹤算法相比,其目標(biāo)跟蹤的成功率和精確度都有較明顯的提高,...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1目標(biāo)跟蹤應(yīng)用領(lǐng)域

武漢理工大學(xué)碩士學(xué)位論文2交通擁擠、提高道路行駛的安全性、方便居民出行。其中，對道路上車輛和行人的跟蹤與監(jiān)控獲取的基礎(chǔ)信息在智能系統(tǒng)中起著至關(guān)重要的作用，因為獲取的基礎(chǔ)信息有助于智能交通系統(tǒng)控制與決策。因為傳統(tǒng)交通系統(tǒng)的很多工作都是由人工來完成的，采用自動化的方式將會減少大量的人....

圖2-1視頻序列

督學(xué)習(xí)到的跟蹤目標(biāo)類間的特征是可區(qū)分的，但是由于人會發(fā)生形變等原因?qū)е氯说奶卣鲿l(fā)生顯著的變化，可能會導(dǎo)致目標(biāo)類內(nèi)的距離大于類間的距離。Wen等人[25]發(fā)現(xiàn)有的樣本的類內(nèi)距離大于類間距離。為了減少類內(nèi)的距離，Wen等人提出了中心損失函數(shù)，并將其與深度卷積網(wǎng)絡(luò)相結(jié)合用在人臉識別中....

圖2-2女孩圖像（左）與人類在觀察時的注意力分布（右）

武漢理工大學(xué)碩士學(xué)位論文13SiamFC網(wǎng)絡(luò)中的高層和低層的卷積特征進行融合，然后將融合的特征通過通道-空間注意力模塊，給目標(biāo)的特征賦予較高的權(quán)重，背景特征賦予較低的權(quán)重。同時使用中心損失函數(shù)與logistic損失函數(shù)組合的多損失函數(shù)來離線訓(xùn)練網(wǎng)絡(luò)，提高跟蹤器的判別性。2.2注意....

圖2-3序列注意力機制圖

武漢理工大學(xué)碩士學(xué)位論文14位置。比如從輸入的特征中裁剪一塊指定的區(qū)域，然后將該區(qū)域作為注意力作用的最后結(jié)果。硬注意力的不足之處在于其采用離散的位置來選擇信息，導(dǎo)致注意力函數(shù)作用的在網(wǎng)絡(luò)中是不可導(dǎo)的，這就使得硬注意力無法在神經(jīng)網(wǎng)絡(luò)中進行端到端的訓(xùn)練。注意力機制可以理解為從大量信息....

本文編號：3963772