近幾年,隨著圖像處理器（GPU）技術(shù)越發(fā)成熟,深度學(xué)習(xí)在圖像處理眾多任務(wù)中均取得突破性進(jìn)展。其中基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法和目標(biāo)跟蹤算法發(fā)展十分迅速。目標(biāo)跟蹤算法因尺度變化、遮擋、背景復(fù)雜、目標(biāo)消失等原因提高跟蹤難度,甚至導(dǎo)致跟蹤失敗。為解決這個(gè)問(wèn)題,本文主要基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法和基于深度學(xué)習(xí)目標(biāo)跟蹤算法進(jìn)行研究,研究?jī)?nèi)容包括:本文構(gòu)建用于檢測(cè)的無(wú)人機(jī)數(shù)據(jù)集。為提高數(shù)據(jù)集小尺度無(wú)人機(jī)檢測(cè)精度,本文首先結(jié)合殘差模塊思想改進(jìn)SSD目標(biāo)檢測(cè)算法。本文利用殘差網(wǎng)絡(luò)優(yōu)化目標(biāo)檢測(cè)模型的深度,隨著檢測(cè)網(wǎng)絡(luò)模型的深度增加,特征信息變得更加多樣化,且殘差結(jié)構(gòu)使得網(wǎng)絡(luò)的輸出對(duì)輸入變化更為敏感,所以改進(jìn)算法針對(duì)小尺度無(wú)人機(jī)目標(biāo)的檢測(cè)精度有明顯提高。其次本文基于輕量級(jí)神經(jīng)網(wǎng)絡(luò)MobileNet_V2改進(jìn)目標(biāo)檢測(cè)算法,在MobileNet_V2的基礎(chǔ)上額外添加卷積模塊來(lái)對(duì)目標(biāo)進(jìn)行檢測(cè),MobileNet_V2中使用深度可分離卷積和反向殘差結(jié)構(gòu),其有效減少模型的參數(shù)量,提高模型的檢測(cè)速度。之后,提出一種應(yīng)用于復(fù)雜背景視頻中的基于輕量級(jí)目標(biāo)檢測(cè)算法矯... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

內(nèi)在變化影響因素(3)快速運(yùn)動(dòng)

隨著光照強(qiáng)度的變化，導(dǎo)致圖像在成像的不同， 如圖1-2 a)所示。光照變化是一種不可抗的干擾因素，提高跟蹤模型對(duì)光照變化的魯棒性，是急需解決的問(wèn)題。(2) 背景混雜背景混雜主要是指運(yùn)動(dòng)目標(biāo)在持續(xù)運(yùn)動(dòng)過(guò)程中，目標(biāo)與周圍背景區(qū)域在形態(tài)、輪廓、顏色、紋理等方面非常相似，這會(huì)對(duì)目標(biāo)跟蹤模型造成干擾。如圖 1-2 b)所示，背景和目標(biāo)區(qū)域像素值相似，沒(méi)有明顯的區(qū)分，這使跟蹤時(shí)發(fā)生漂移現(xiàn)象，而解決背景混雜造成的影響，可以利用目標(biāo)運(yùn)動(dòng)信息，預(yù)測(cè)目標(biāo)大致的運(yùn)動(dòng)軌跡。(3) 遮擋和超出視野

圖 2-6 局部連接原理圖2.3.3 池化以卷積神經(jīng)網(wǎng)絡(luò)中的第一個(gè)卷積層為例，將一張大小 227×227 圖像輸入卷積層，該卷積層的卷積核大小為 7×7，步長(zhǎng)為 2，通道數(shù)為 96，那么每個(gè)通道得到111×111（( 227- 7）/2+1=111 )大小的特征圖，如果用 3×3 的區(qū)域進(jìn)行特征映射，就會(huì)得到約 12K（( 111- 3 +1） （111- 3+1）) 維度的圖像特征，那么 96 個(gè)通道的特征聯(lián)合起來(lái)將產(chǎn)生 1100K 維的卷積特征向量，這樣的參數(shù)量的模型受限于計(jì)算機(jī)的硬件設(shè)備。池化層在最初時(shí)被稱為下采樣，與信號(hào)處理中的下采樣一樣，用來(lái)減少參數(shù)量。卷積神經(jīng)網(wǎng)絡(luò)中的池化層具體運(yùn)算與卷積層相同，在其在運(yùn)算時(shí)所占用的參數(shù)空間遠(yuǎn)遠(yuǎn)少于卷積運(yùn)算時(shí)的參數(shù)量。這是因?yàn)槌鼗瘜記](méi)有參數(shù)，它通過(guò)將某個(gè)區(qū)域的特征統(tǒng)計(jì)特征來(lái)替代某個(gè)位置的輸出。這樣如果區(qū)域內(nèi)的某些值發(fā)生少量的變化，或者圖像作出少量旋轉(zhuǎn)、平移或伸縮，池化后的結(jié)果不會(huì)發(fā)生變化。所以池化層除可以

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在視頻目標(biāo)跟蹤中的應(yīng)用進(jìn)展與展望[J]. 管皓,薛向陽(yáng),安志勇.  自動(dòng)化學(xué)報(bào). 2016(06)

碩士論文
[1]基于MeanShift的視頻目標(biāo)跟蹤算法研究[D]. 張鐵明.燕山大學(xué) 2016



本文編號(hào)：3104067