目標(biāo)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(shù)、智能安防、醫(yī)學(xué)影像輔助診斷等諸多領(lǐng)域都扮演著重要角色。盡管科研學(xué)者提出了許多在數(shù)據(jù)集上性能優(yōu)異的目標(biāo)檢測與跟蹤算法,可是在現(xiàn)實場景中,由于目標(biāo)的形變、背景復(fù)雜、遮擋以及離開視場等眾多因素的影響,還有在實際應(yīng)用時設(shè)備對算法的實時性要求,目標(biāo)檢測與跟蹤依然存在極大挑戰(zhàn)。本文通過對基于深度學(xué)習(xí)的目標(biāo)檢測與跟蹤算法的研究,分析了現(xiàn)有目標(biāo)檢測算法和目標(biāo)長期跟蹤算法存在的問題并做出了相應(yīng)的改進(jìn),論文主要的研究內(nèi)容包含下面兩個方面:(1)對現(xiàn)有的基于深度學(xué)習(xí)的目標(biāo)檢測算法進(jìn)行研究與分析后,針對YOLOv3進(jìn)行深入研究,分析了算法存在的三點不足并進(jìn)行優(yōu)化。針對手工設(shè)定的錨點框無法確保適合所有目標(biāo)的問題,采用自適應(yīng)錨點框,根據(jù)目標(biāo)在圖像中出現(xiàn)的概率和長寬比自適應(yīng)地生成錨點框,產(chǎn)生候選區(qū)域;針對傳統(tǒng)特征金字塔結(jié)構(gòu)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(yīng)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(shù)與網(wǎng)絡(luò)性能評價指標(biāo)沒有直接關(guān)聯(lián)的問題,采用更加符合評價指標(biāo)的損失函數(shù),提升網(wǎng)絡(luò)性能。最后在... 

【文章來源】： 余秀源 中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所)

【文章頁數(shù)】：82 頁

【學(xué)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(xué)習(xí)的目標(biāo)檢測相關(guān)理論11第2章基于深度學(xué)習(xí)的目標(biāo)檢測相關(guān)理論2.1基于深度學(xué)習(xí)的目標(biāo)檢測代表算法2.1.1基于候選區(qū)域的目標(biāo)檢測原理基于候選區(qū)域的目標(biāo)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(wǎng)絡(luò)，區(qū)域候選網(wǎng)絡(luò)，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(jīng)過特征提取網(wǎng)絡(luò)得到整張圖像的特征圖。區(qū)域候選網(wǎng)絡(luò)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(yīng)到原圖生成候選區(qū)域，然后對所有的候選區(qū)域進(jìn)行初步的分類與回歸，區(qū)分出目標(biāo)和背景，再經(jīng)過篩選得到與真實目標(biāo)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(diào)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(biāo)的類別和目標(biāo)的坐標(biāo)。2.1.2基于回歸的目標(biāo)檢測原理基于回歸的目標(biāo)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(biāo)檢測直接看作目標(biāo)邊框和目標(biāo)類別的回歸問題。和基于候

基于深度學(xué)習(xí)的復(fù)雜背景下目標(biāo)檢測與跟蹤12選區(qū)域的目標(biāo)檢測方法相比，最直接的區(qū)別在于區(qū)域候選網(wǎng)絡(luò)被取消了。YOLO通過一個卷積神經(jīng)網(wǎng)絡(luò)利用整副圖像的特征來預(yù)測目標(biāo)類別和位置，實現(xiàn)了簡潔的高效目標(biāo)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(wǎng)絡(luò)得到整副圖像的特征圖，同時也相當(dāng)于將原始圖像分為了S×S的網(wǎng)絡(luò)，每個然后以每個網(wǎng)格為中心，按照預(yù)先設(shè)定的錨點框預(yù)測目標(biāo)類別的概率分布和目標(biāo)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(wǎng)絡(luò)的取消，YOLO算法的運算速度提升非�？�，在GPU上能達(dá)到45幀每秒，能夠?qū)σ曨l進(jìn)行實時檢測。2.1.3基于特征金字塔的目標(biāo)檢測原理許多基于深度學(xué)習(xí)的目標(biāo)檢測算法都使用最后一層特征圖來預(yù)測目標(biāo)的類別與坐標(biāo)，但是檢測尺度變化范圍巨大且長寬比例不確定的目標(biāo)僅僅使用最后一層特征圖是不夠的。深度神經(jīng)網(wǎng)絡(luò)每一層學(xué)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(biāo)。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(biāo)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(biāo)。如圖2.3所示，特征金字塔網(wǎng)絡(luò)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(gòu)建了類似金字塔結(jié)構(gòu)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(dá)性能。然后分別對每個特征圖進(jìn)行預(yù)測，以提升目標(biāo)檢測算法檢測不同尺度目標(biāo)的性能。

【參考文獻(xiàn)】：
期刊論文
[1]輕量化卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究[J]. 畢鵬程,羅健欣,陳衛(wèi)衛(wèi).  計算機工程與應(yīng)用. 2019(16)
[2]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割研究進(jìn)展[J]. 宮進(jìn)昌,趙尚義,王遠(yuǎn)軍.  中國醫(yī)學(xué)物理學(xué)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(xué)學(xué)報. 2018(05)
[4]目標(biāo)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(xué)習(xí)在無人駕駛汽車領(lǐng)域應(yīng)用的研究進(jìn)展[J]. 王科俊,趙彥東,邢向磊.  智能系統(tǒng)學(xué)報. 2018(01)
[6]基于深度學(xué)習(xí)和醫(yī)學(xué)圖像的癌癥計算機輔助診斷研究進(jìn)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(xué)工程學(xué)雜志. 2017(02)
[7]無人機成“玩具”后,反無人機產(chǎn)業(yè)悄然興起[J]. 梁麗雯.  金融科技時代. 2017(02)
[8]“深度學(xué)習(xí)”技術(shù)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(xué)習(xí)的視頻目標(biāo)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(biāo)跟蹤技術(shù)研究[J]. 吳垠,李良福,肖樟樹,劉侍剛.  計算機工程與應(yīng)用. 2013(15)

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



本文編號：2947552