目標檢測與跟蹤是目前計算機視覺方向的研究熱點之一,在無人駕駛技術、智能安防、醫(yī)學影像輔助診斷等諸多領域都扮演著重要角色。盡管科研學者提出了許多在數據集上性能優(yōu)異的目標檢測與跟蹤算法,可是在現實場景中,由于目標的形變、背景復雜、遮擋以及離開視場等眾多因素的影響,還有在實際應用時設備對算法的實時性要求,目標檢測與跟蹤依然存在極大挑戰(zhàn)。本文通過對基于深度學習的目標檢測與跟蹤算法的研究,分析了現有目標檢測算法和目標長期跟蹤算法存在的問題并做出了相應的改進,論文主要的研究內容包含下面兩個方面:(1)對現有的基于深度學習的目標檢測算法進行研究與分析后,針對YOLOv3進行深入研究,分析了算法存在的三點不足并進行優(yōu)化。針對手工設定的錨點框無法確保適合所有目標的問題,采用自適應錨點框,根據目標在圖像中出現的概率和長寬比自適應地生成錨點框,產生候選區(qū)域;針對傳統(tǒng)特征金字塔結構在處理不同尺度特征圖時存在梯度不一致性的問題,利用自適應空間特征融合算法來克服不同尺度特征圖之間存在的梯度不一致性;針對常用的邊框回歸損失函數與網絡性能評價指標沒有直接關聯的問題,采用更加符合評價指標的損失函數,提升網絡性能。最后在... 

【文章來源】： 余秀源 中國科學院大學(中國科學院光電技術研究所)

【文章頁數】：82 頁

【學位級別】：碩士

【部分圖文】：

基于計算機視覺的測溫儀

第2章基于深度學習的目標檢測相關理論11第2章基于深度學習的目標檢測相關理論2.1基于深度學習的目標檢測代表算法2.1.1基于候選區(qū)域的目標檢測原理基于候選區(qū)域的目標檢測算法的代表是FasterRCNN，算法框架如圖2.1所示，主要包括四個部分，特征提取網絡，區(qū)域候選網絡，空間池化層和分類器。圖2.1FasterRCNN框架圖[48]Figure2.1FrameofFasterRCNN算法的主要流程為輸入圖片經過特征提取網絡得到整張圖像的特征圖。區(qū)域候選網絡在特征圖的每個像素點上按照三種不同尺寸和三種比例生成9個錨點框并對應到原圖生成候選區(qū)域，然后對所有的候選區(qū)域進行初步的分類與回歸，區(qū)分出目標和背景，再經過篩選得到與真實目標框較為接近的候選區(qū)域。通過空間池化層將不同尺寸的候選區(qū)域的特征調整為固定大校最后將空間池化層輸出的特征圖輸入到兩個全連接層中，完成分類與回歸。兩個全連接層的輸出分別為目標的類別和目標的坐標。2.1.2基于回歸的目標檢測原理基于回歸的目標檢測算法代表是YOLO系列算法。其算法框架如圖2.2所示，基本思想是將目標檢測直接看作目標邊框和目標類別的回歸問題。和基于候

基于深度學習的復雜背景下目標檢測與跟蹤12選區(qū)域的目標檢測方法相比，最直接的區(qū)別在于區(qū)域候選網絡被取消了。YOLO通過一個卷積神經網絡利用整副圖像的特征來預測目標類別和位置，實現了簡潔的高效目標檢測。圖2.2YOLO框架圖[48]Figure2.2FrameofYOLO算法的主要流程是首先通過特征提取網絡得到整副圖像的特征圖，同時也相當于將原始圖像分為了S×S的網絡，每個然后以每個網格為中心，按照預先設定的錨點框預測目標類別的概率分布和目標邊框。然后通過回歸修正，得到最終的輸出。由于區(qū)域候選網絡的取消，YOLO算法的運算速度提升非常快，在GPU上能達到45幀每秒，能夠對視頻進行實時檢測。2.1.3基于特征金字塔的目標檢測原理許多基于深度學習的目標檢測算法都使用最后一層特征圖來預測目標的類別與坐標，但是檢測尺度變化范圍巨大且長寬比例不確定的目標僅僅使用最后一層特征圖是不夠的。深度神經網絡每一層學到的特征包含有不同的信息。淺層特征分辨率高，感受野比較小，所以包含有豐富的空間信息，比較適合檢測小目標。深層特征分辨率低，感受野比較大，所以包含有豐富的語義信息，對于目標發(fā)生的光照變化和平移等有較強的魯棒性，比較適合檢測大目標。如圖2.3所示，特征金字塔網絡自頂向下的將不同尺度的特征圖通過橫向連接的方式融合在一起，構建了類似金字塔結構的特征圖組。這樣使淺層特征也包含有語義信息，深層特征包含有位置信息，提升了各個尺度特征圖的表達性能。然后分別對每個特征圖進行預測，以提升目標檢測算法檢測不同尺度目標的性能。

【參考文獻】：
期刊論文
[1]輕量化卷積神經網絡技術研究[J]. 畢鵬程,羅健欣,陳衛(wèi)衛(wèi).  計算機工程與應用. 2019(16)
[2]基于深度學習的醫(yī)學圖像分割研究進展[J]. 宮進昌,趙尚義,王遠軍.  中國醫(yī)學物理學雜志. 2019(04)
[3]具備重檢測機制的融合特征視覺跟蹤算法[J]. 李中科,萬長勝.  圖學學報. 2018(05)
[4]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[5]深度學習在無人駕駛汽車領域應用的研究進展[J]. 王科俊,趙彥東,邢向磊.  智能系統(tǒng)學報. 2018(01)
[6]基于深度學習和醫(yī)學圖像的癌癥計算機輔助診斷研究進展[J]. 陳詩慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學工程學雜志. 2017(02)
[7]無人機成“玩具”后,反無人機產業(yè)悄然興起[J]. 梁麗雯.  金融科技時代. 2017(02)
[8]“深度學習”技術開啟智能安防新篇章[J]. 滿江月.  中國公共安全. 2015(20)
[9]基于外觀模型學習的視頻目標跟蹤方法綜述[J]. 張煥龍,胡士強,楊國勝.  計算機研究與發(fā)展. 2015(01)
[10]基于尺度不變特征的光流法目標跟蹤技術研究[J]. 吳垠,李良福,肖樟樹,劉侍剛.  計算機工程與應用. 2013(15)

碩士論文
[1]均值漂移算法在視頻運動目標跟蹤中的應用研究[D]. 張劍華.西安電子科技大學 2015



本文編號：2947552