發(fā)布時(shí)間：2022-02-04 17:11

　　基于計(jì)算機(jī)視覺(jué)的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤,廣泛應(yīng)用于視頻監(jiān)控、人機(jī)交互、靶場(chǎng)判讀等領(lǐng)域,是當(dāng)前計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一。在工程場(chǎng)景中,二者密不可分,需要協(xié)同完成具體任務(wù)。目前相關(guān)研究進(jìn)展迅速,但是其時(shí)效性、準(zhǔn)確性、自動(dòng)化程度仍然有提高的空間。針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)問(wèn)題,本文提出了一種光流輔助的運(yùn)動(dòng)目標(biāo)檢測(cè)網(wǎng)絡(luò)。通過(guò)訓(xùn)練光流深度網(wǎng)絡(luò),計(jì)算部分幀間光流,并選擇自適應(yīng)閾值將運(yùn)動(dòng)目標(biāo)分割出來(lái),從而生成用于背景減除網(wǎng)絡(luò)的樣本,最后用生成的樣本訓(xùn)練小型背景減除網(wǎng)絡(luò)。該方法在檢測(cè)時(shí)只需要運(yùn)行背景減除網(wǎng)絡(luò),避免了光流計(jì)算的時(shí)間消耗,解決了現(xiàn)有的基于背景減除的運(yùn)動(dòng)目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)人工標(biāo)注的依賴,提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的自動(dòng)化程度。針對(duì)運(yùn)動(dòng)目標(biāo)跟蹤問(wèn)題,本文提出了基于支持向量回歸的跟蹤器和對(duì)應(yīng)的在線求解方法,證明了支持向量回歸方法的優(yōu)勢(shì)。此外,本文提出了一種融合結(jié)構(gòu)支持向量機(jī)和相關(guān)濾波的跟蹤方法,通過(guò)設(shè)計(jì)兩類跟蹤器串聯(lián)型的融合結(jié)構(gòu)和交替式更新策略,將結(jié)構(gòu)支持向量機(jī)對(duì)遮擋目標(biāo)的重檢測(cè)優(yōu)勢(shì)和相關(guān)濾波的尺度估計(jì)優(yōu)勢(shì)結(jié)合起來(lái),提高了目標(biāo)檢測(cè)的魯棒性和精確性。 

【文章來(lái)源】：國(guó)防科技大學(xué)湖南省211工程院校985工程院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)流程

國(guó)防科技大學(xué)研究生院碩士學(xué)位論文圖1.2基于前景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)流程量的工程實(shí)踐，而學(xué)習(xí)的特征從樣本中訓(xùn)練得到，前者實(shí)現(xiàn)相對(duì)容易而后者表達(dá)能力更強(qiáng)。人工特征大致分為梯度特征、模式特征、形狀特征及顏色特征。其中，梯度特征通過(guò)計(jì)算空間方向上的梯度分布來(lái)描述目標(biāo)，包括尺度不變特征SIFT[8]、PCA-SIFT[9]、梯度位置方向直方圖特征GLOH[10]、加速魯棒特征SURF[11]、雛菊花特征DAISY[12]、梯度直方圖特征HOG[13]、v-HOG[14]、CoHOG[15]和GIST[16]等；模式特征通過(guò)局部區(qū)域的相對(duì)差異來(lái)描述目標(biāo)，通常用于表示紋理，包括Gabor濾波器[17]、局部而二值模式LBP[18]、及其變種CS-LBP[19]和NR-LBP[20]、Haar-like[21]等；形狀特征用于描述目標(biāo)輪廓，包括形狀上下文特征[22]、角矩陣特征[23]、k近鄰分割[24]、圖形基元[25]等；顏色特征通過(guò)計(jì)算局部的顏色分布來(lái)描述目標(biāo)，包括包括顏色共生矩陣CCM[26]、顏色自相似性CCS[27]、HSV-SIFT[28]、Hue-SIFT[29]等�；趯W(xué)習(xí)的特征大致可分為基于限制玻爾茲曼機(jī)RBM[30]、基于自編碼器AE[31]和基于卷積神經(jīng)網(wǎng)絡(luò)CNN[32]的特征。其中，RBM層內(nèi)單元沒(méi)有連接關(guān)系而層間為全連接，AE通過(guò)編碼和解碼有效去除信號(hào)中的冗余信息，而CNN采用層間局部連接的方式極大地減少了網(wǎng)絡(luò)參數(shù)，且其高層特征具有明顯的語(yǔ)義信息。分類器可以分為基于邏輯的方法、基于統(tǒng)計(jì)的方法、支持向量機(jī)方法和集成方法�；谶壿嫷姆椒ㄖ饕笡Q策樹(shù)（DecisionTree）方法，如C4.5方法[33]，決策樹(shù)的節(jié)點(diǎn)代表對(duì)特征中某一屬性劃分，從上至下遞歸生成子節(jié)點(diǎn)，并通過(guò)減枝來(lái)防止過(guò)擬合，決策樹(shù)方法通用性好但是訓(xùn)練耗時(shí)�；诮y(tǒng)計(jì)的方法包括貝葉斯方法和基于實(shí)例的方法，貝葉斯方法通過(guò)建立特征與類別直接的條件概率模型進(jìn)行分類，其?

國(guó)防科技大學(xué)研究生院碩士學(xué)位論文高維空間從而使得樣本線性可分，是目標(biāo)檢測(cè)和跟蹤領(lǐng)域最常用的分類器。隨著特征維度增加，單個(gè)分類器很實(shí)現(xiàn)較好的分類效果，可以將多個(gè)分類器集成在一起，Bagging[38]、Boosting[39]和隨機(jī)森林（RandomForest）[41]等集成方法將弱分類器組合為強(qiáng)分類器提升分類效果。圖1.3給出了典型分類器的實(shí)例。圖1.3典型分類器[40]1.2.1.3基于深度學(xué)習(xí)的目標(biāo)檢測(cè)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)遵循前景建模的先特征提取再目標(biāo)定位的思路，但不含有顯式地分類模塊，而是通過(guò)端到端（End-to-End）的卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionNeuralNetwork，CNN）結(jié)構(gòu)設(shè)計(jì)，通過(guò)訓(xùn)練同時(shí)提高網(wǎng)絡(luò)的特征提取和目標(biāo)分類能力�；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)分為基于分類的方法和基于回歸的方法�；诜诸惖姆椒ㄍㄟ^(guò)分類當(dāng)前待檢窗口（RegionofInterest，ROI）屬于前景還是背景來(lái)定位目標(biāo)。Girshick提出的R-CNN[42]方法首先通過(guò)選擇性搜索（SelectiveSearch）策略產(chǎn)生一系列的ROI，并將ROI尺寸規(guī)則化輸入特征提取網(wǎng)絡(luò)提取其CNN特征，然后訓(xùn)練特征分類的SVM分類器，并通過(guò)BoundingBox回歸進(jìn)一步提高定位的準(zhǔn)確性。He提出的SPP-Net[43]將R-CNN特征提取的最后一個(gè)卷積層后的池化層替換為空間金字塔池化層（SpatialPyramidPooling，SPP），生成長(zhǎng)度固定的特征輸入到全連接層，無(wú)需將ROI的尺寸規(guī)則化，提高網(wǎng)絡(luò)的實(shí)用性和魯棒性�？紤]到R-CNN、SPP-Net對(duì)重疊的ROI存在冗余的特征提取，而且訓(xùn)練仍是多階段的，Girshick提出FastR-CNN[44]，只需對(duì)原始輸入圖像提取一次特征，經(jīng)過(guò)ROIPooling層使得每個(gè)ROI用相同維度的特征描述之后，訓(xùn)練分類網(wǎng)絡(luò)和區(qū)域第4頁(yè)


本文編號(hào)：3613605