目標(biāo)檢測與目標(biāo)跟蹤是屬于計(jì)算機(jī)視覺領(lǐng)域和視頻處理的熱點(diǎn)問題之一,隨著人工智能以及大數(shù)據(jù)的迅猛發(fā)展,在諸多領(lǐng)域如視頻安防,自動(dòng)駕駛,虛擬現(xiàn)實(shí),圖像理解,機(jī)器人控制,基于視覺的控制都需要它們的研究發(fā)展�，F(xiàn)實(shí)生活中由于多種應(yīng)用場景下需要保證要求的準(zhǔn)確檢測跟蹤的同時(shí),又需要有實(shí)時(shí)檢測跟蹤的要求,這就給這個(gè)研究領(lǐng)域帶來巨大的挑戰(zhàn)。目標(biāo)跟蹤是在視頻序列中不斷找到需要跟蹤的目標(biāo),跟蹤算法整體上也從傳統(tǒng)的基于特征提取和機(jī)器學(xué)習(xí)到基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)跟蹤起。近年來在目標(biāo)檢測跟蹤領(lǐng)域,基于深度學(xué)習(xí)端到端的卷積神經(jīng)網(wǎng)絡(luò)得到迅猛發(fā)展,尤其是結(jié)合起源于信號處理領(lǐng)域的相關(guān)濾波方法的神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤器。就計(jì)算機(jī)視覺而言,基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤不需要自己定義特征,深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對特征有強(qiáng)大的描述能力,可以自己學(xué)習(xí)到圖像特征,跟蹤效果比自己定義的特征效果會更好,正因?yàn)槿绱死枚藢Χ说纳疃葘W(xué)習(xí)框架網(wǎng)絡(luò)跟蹤結(jié)構(gòu)應(yīng)用廣泛。本論文基于深度學(xué)習(xí)同時(shí)結(jié)合傳統(tǒng)的相關(guān)濾波方法以及注意力機(jī)制,對目標(biāo)檢測跟蹤進(jìn)行了深入的研究。以提高跟蹤準(zhǔn)確率,增強(qiáng)跟蹤的魯棒性,同時(shí)保證跟蹤的速度為目標(biāo)。有效的利用深度卷積神經(jīng)網(wǎng)絡(luò)的深層和淺層的特征... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

YOLOv1模型[1]

gionproposal，從卷積神經(jīng)網(wǎng)絡(luò)中提取出同樣大小的特征圖。并且對損失函數(shù)進(jìn)行了改進(jìn)，采用了多任務(wù)損失函數(shù)。將目標(biāo)檢測邊框的回歸，直接加入到了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練里面。直接使用softmax替代SVM，實(shí)現(xiàn)了整個(gè)網(wǎng)絡(luò)模型端到端的訓(xùn)練。如圖1-2所示，將輸入的待檢測圖像與感興趣區(qū)域輸入到全卷積網(wǎng)絡(luò)中。每個(gè)RoI區(qū)域被池化為一個(gè)固定大小的特征圖，再經(jīng)過全連接層映射為特征向量。這個(gè)網(wǎng)絡(luò)模型中的每一個(gè)RoI區(qū)域有兩個(gè)輸出向量，一個(gè)是softmax概率，另一個(gè)是每個(gè)類邊界框回歸偏移。并且這個(gè)網(wǎng)絡(luò)架構(gòu)可以進(jìn)行端到端訓(xùn)練。圖1-2FastR-CNN模型結(jié)構(gòu)[8]

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-14-weights的參數(shù)量為：inFFCKbiases的參數(shù)量為：K總參數(shù)量為：inFFCK+K在卷積神經(jīng)網(wǎng)絡(luò)中還有感受野RF（ReceptiveField）的概念，它是CNN中每一層輸出的特征圖上的像素點(diǎn)在原始輸入圖片上映射的區(qū)域大校簡單來說就是，特征圖上的一個(gè)點(diǎn)對應(yīng)的輸入圖上的區(qū)域大校在設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型的時(shí)候，感受野也是很重要的因素，它能夠影響模型的準(zhǔn)確性和魯棒性。感受野的計(jì)算公式為：()1111*kkkkiillfs==+(2-4)其中k1l是第k1層對應(yīng)感受野的大小，kf是第k層的卷積層或池化層的核尺寸，iS是對應(yīng)的stride的大校如圖2-1所示，處于上邊的高層的橘黃色特征圖的感受野等于7，而第二層綠色的感受野等于5。圖2-1感受野示意圖[22]2.1.2激活函數(shù)在多層神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)就是存在于上層節(jié)點(diǎn)的輸出和下層節(jié)點(diǎn)的輸入之間具有一個(gè)函數(shù)關(guān)系。一般激活函數(shù)使用非線性函數(shù)，這樣可以令神經(jīng)網(wǎng)絡(luò)模型具有更好的表達(dá)能力和學(xué)習(xí)能力。如果神經(jīng)網(wǎng)絡(luò)模型中不用激活函數(shù)的話，每一層的輸入都是上一層的線性輸出，就相當(dāng)于最原始的感知機(jī)了。比較常用的激活函數(shù)有sigmoid函數(shù)，tanh函數(shù)，Relu函數(shù)，LeakyRelu函數(shù)等等。

【參考文獻(xiàn)】：
期刊論文
[1]增強(qiáng)尺度估計(jì)的特征壓縮跟蹤算法[J]. 徐康,龍敏.  紅外技術(shù). 2018(12)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜構(gòu)件內(nèi)部零件裝配正確性識別[J]. 趙耀霞,吳桐,韓焱.  電子學(xué)報(bào). 2018(08)
[3]基于點(diǎn)軌跡的核相關(guān)濾波器跟蹤算法[J]. 呂韻秋,劉凱,程飛.  通信學(xué)報(bào). 2018(06)



本文編號：3317822