目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域中重要的研究?jī)?nèi)容之一,在國(guó)防軍事、安防體系和日常生活中均有廣泛應(yīng)用。但實(shí)際場(chǎng)景中往往會(huì)出現(xiàn)如運(yùn)動(dòng)模糊、尺度變換和復(fù)雜背景等復(fù)雜情況,使得跟蹤算法的性能難以保障�；谏疃葘W(xué)習(xí)的目標(biāo)跟蹤算法使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)對(duì)圖像進(jìn)行特征提取,這些特征具有更強(qiáng)的泛化能力和更優(yōu)秀的特征刻畫(huà)能力,可以有效提升算法的準(zhǔn)確性。但基于CNN的算法無(wú)法對(duì)相似目標(biāo)有效區(qū)分,為進(jìn)一步提升跟蹤算法的準(zhǔn)確性和實(shí)時(shí)性,本文設(shè)計(jì)了一種將卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)相結(jié)合的結(jié)構(gòu)化處理網(wǎng)絡(luò)(Structured Processing Network,SPNet)用于目標(biāo)跟蹤,具體內(nèi)容如下:(1)采用離線預(yù)訓(xùn)練與在線調(diào)整相結(jié)合的方法,對(duì)目標(biāo)進(jìn)行特征提取與跟蹤。針對(duì)當(dāng)前基于CNN的目標(biāo)跟蹤算法對(duì)相似目標(biāo)跟蹤效果較差的問(wèn)題,提出了使用RNN進(jìn)行結(jié)構(gòu)化處理的方法。CNN用于類間判別,提供目標(biāo)物體和背景之間的判別性,RNN對(duì)目標(biāo)建立模型,用于區(qū)分相似目標(biāo)。由于傳統(tǒng)的鏈?zhǔn)浇Y(jié)構(gòu)RNN不適用于圖像,本文... 

【文章來(lái)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(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于相關(guān)濾波的跟蹤算法如圖1.1所示，KCF雖經(jīng)典，但不是初次使用相關(guān)濾波的跟蹤算法

習(xí)的跟蹤算法也開(kāi)始嶄露頭角并逐漸向世人展示深度學(xué)習(xí)的潛力。圖 1.2 展示了部分基于深度學(xué)習(xí)的目標(biāo)跟蹤算法。圖1.2 基于深度學(xué)習(xí)的跟蹤算法如圖 1.2 所示，近幾年來(lái)基于深度學(xué)習(xí)的相關(guān)跟蹤算法發(fā)展迅猛。首次使用深度學(xué)習(xí)方法嘗試目標(biāo)跟蹤的學(xué)者，是香港科技大學(xué)王乃巖博士，他于 2012 年提出的深度學(xué)習(xí)跟蹤（Deep Learning Tracker，DLT）[22]算法，提出了離線預(yù)訓(xùn)練與在線微調(diào)（fine-tune）相結(jié)合的思路，一定程度上解決了跟蹤中訓(xùn)練樣本不足的問(wèn)題。同樣是解決樣本不足的問(wèn)題，韓國(guó)的 POSTECH 團(tuán)隊(duì)從尋找目標(biāo)跟蹤任務(wù)的共性入手，以此減少算法對(duì)數(shù)據(jù)量的依賴性

y(a) 人類神經(jīng)元結(jié)構(gòu) (b) 神經(jīng)網(wǎng)絡(luò)中神經(jīng)元結(jié)構(gòu)圖2.1 人類神經(jīng)元結(jié)構(gòu)與神經(jīng)網(wǎng)絡(luò)中神經(jīng)元結(jié)構(gòu)對(duì)比近年來(lái)隨著計(jì)算機(jī)性能的跨越式提高，以及 GPU、云計(jì)算的出現(xiàn)，計(jì)算量已經(jīng)不再是制約神經(jīng)網(wǎng)絡(luò)發(fā)展的問(wèn)題，隨之而來(lái)的是人們對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)一步摸索與應(yīng)用。2012 年ImageNet 舉辦的圖像分類競(jìng)賽中，AlexNet網(wǎng)絡(luò)力壓群雄，獲得當(dāng)年的冠軍，至此，深度學(xué)習(xí)也被世人所熟知[34]。傳統(tǒng)方法在解決圖像或視頻序列問(wèn)題時(shí)，采用典型的分治策略，即把大的問(wèn)題劃分為若干個(gè)小問(wèn)題

【參考文獻(xiàn)】：
碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)跟蹤技術(shù)研究[D]. 鄭瑤.中北大學(xué) 2018
[2]面向局部遮擋的人臉識(shí)別方法研究及實(shí)現(xiàn)[D]. 林勝光.電子科技大學(xué) 2018
[3]基于神經(jīng)網(wǎng)絡(luò)的工業(yè)大數(shù)據(jù)分類模型與擬合模型研究[D]. 柴瑞澤.浙江大學(xué) 2018
[4]基于深度特征學(xué)習(xí)的目標(biāo)檢測(cè)與跟蹤算法研究[D]. 賈祎愷.西安科技大學(xué) 2017
[5]基于深度學(xué)習(xí)的單目標(biāo)跟蹤方法研究[D]. 梁亮.哈爾濱工業(yè)大學(xué) 2017
[6]基于分塊的抗遮擋目標(biāo)跟蹤算法研究[D]. 羅巍.華中科技大學(xué) 2017
[7]基于卷積神經(jīng)網(wǎng)絡(luò)和嵌套網(wǎng)絡(luò)的目標(biāo)跟蹤算法研究[D]. 楊向南.華僑大學(xué) 2016
[8]基于結(jié)構(gòu)化SVM的自適應(yīng)尺度跟蹤方法研究[D]. 曾吉.西安電子科技大學(xué) 2015
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法研究與實(shí)現(xiàn)[D]. 張子夫.吉林大學(xué) 2015



本文編號(hào)：2926629