復(fù)雜背景下基于深度學(xué)習(xí)的單目標(biāo)跟蹤算法研究
發(fā)布時(shí)間:2022-02-21 19:10
2016年以來,國家新型智慧城市迅速發(fā)展,為了順應(yīng)智慧城市的發(fā)展,未來的城市監(jiān)控將會(huì)變得智能化、高清化,為此,需要使用計(jì)算機(jī)視覺的相關(guān)技術(shù)來解決當(dāng)前非智能攝像頭存在的一些問題,如無法實(shí)時(shí)預(yù)警、需要耗費(fèi)大量人力物力進(jìn)行分析等。作為計(jì)算機(jī)視覺領(lǐng)域的關(guān)鍵問題,單目標(biāo)跟蹤算法可以繪制給定物體的軌跡信息,方便后續(xù)進(jìn)行行為分析和異常檢測(cè)。因此,單目標(biāo)跟蹤問題作為計(jì)算機(jī)視覺領(lǐng)域的基礎(chǔ)問題,具有重要的理論意義和研究價(jià)值。在城市監(jiān)控場(chǎng)景中,監(jiān)控畫面非常復(fù)雜,主要體現(xiàn)在:(1)物體種類繁多,人流密度較大,不同的物體之間會(huì)發(fā)生頻繁的遮擋;(2)物體在監(jiān)控視頻中運(yùn)動(dòng)時(shí),會(huì)發(fā)生形變以及尺寸變化。這些問題給單目標(biāo)跟蹤算法帶來了諸多挑戰(zhàn):(1)復(fù)雜背景中與目標(biāo)相似的物體會(huì)干擾算法的準(zhǔn)確性;(2)對(duì)外觀漸變的物體進(jìn)行跟蹤時(shí)沒有充分利用視頻中豐富的時(shí)域信息。本論文針對(duì)上述挑戰(zhàn),開展技術(shù)研究。主要研究工作和創(chuàng)新點(diǎn)如下:1.提出了一種基于特征融合的單目標(biāo)跟蹤算法,用來解決復(fù)雜背景下如何減少相似背景對(duì)單目標(biāo)跟蹤造成的干擾問題。本文利用卷積神經(jīng)網(wǎng)絡(luò)提取特征的層次性,對(duì)深度特征進(jìn)行融合,從而在保持深度特征判別能力的同時(shí),提高深度...
【文章來源】:中國科學(xué)技術(shù)大學(xué)安徽省211工程院校985工程院校
【文章頁數(shù)】:74 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
第1章 緒論
1.1 研究背景與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 傳統(tǒng)跟蹤算法
1.2.2 深度跟蹤算法
1.3 本文研究內(nèi)容
1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)基礎(chǔ)理論和知識(shí)
2.1 卷積神經(jīng)網(wǎng)絡(luò)
2.1.1 卷積層
2.1.2 池化
2.1.3 網(wǎng)絡(luò)結(jié)構(gòu)
2.1.4 孿生網(wǎng)絡(luò)
2.2 光流
2.3 目標(biāo)跟蹤數(shù)據(jù)集
2.3.1 OTB數(shù)據(jù)集
2.3.2 VOT數(shù)據(jù)集
2.4 本章小結(jié)
第3章 基于特征融合的單目標(biāo)跟蹤算法研究
3.1 引言
3.2 相關(guān)工作
3.2.1 深度特征的層次性
3.2.2 區(qū)域生成網(wǎng)絡(luò)
3.3 問題描述
3.4 方法流程及步驟
3.4.1 定位階段
3.4.2 計(jì)算尺度
3.4.3 模型更新
3.5 實(shí)驗(yàn)
3.5.1 實(shí)驗(yàn)設(shè)置
3.5.2 評(píng)測(cè)標(biāo)準(zhǔn)
3.5.3 實(shí)驗(yàn)結(jié)果及分析
3.6 本章小結(jié)
第4章 基于幀間信息的單目標(biāo)跟蹤算法研究
4.1 引言
4.2 相關(guān)工作
4.2.1 光流在單目標(biāo)跟蹤算法中的應(yīng)用
4.2.2 孿生網(wǎng)絡(luò)在單目標(biāo)跟蹤算法中的應(yīng)用
4.3 問題描述
4.4 方法流程及步驟
4.4.1 定位階段
4.4.2 篩選樣本
4.4.3 模型更新
4.5 實(shí)驗(yàn)
4.5.1 實(shí)驗(yàn)設(shè)置
4.5.2 評(píng)測(cè)標(biāo)準(zhǔn)
4.5.3 實(shí)驗(yàn)結(jié)果及分析
4.6 大規(guī)模城市監(jiān)控?cái)?shù)據(jù)集
4.6.1 數(shù)據(jù)集簡介
4.6.2 實(shí)驗(yàn)結(jié)果
4.7 本章小結(jié)
第5章 總結(jié)與展望
5.1 本文總結(jié)
5.2 研究展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果
本文編號(hào):3637881
【文章來源】:中國科學(xué)技術(shù)大學(xué)安徽省211工程院校985工程院校
【文章頁數(shù)】:74 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
第1章 緒論
1.1 研究背景與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 傳統(tǒng)跟蹤算法
1.2.2 深度跟蹤算法
1.3 本文研究內(nèi)容
1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)基礎(chǔ)理論和知識(shí)
2.1 卷積神經(jīng)網(wǎng)絡(luò)
2.1.1 卷積層
2.1.2 池化
2.1.3 網(wǎng)絡(luò)結(jié)構(gòu)
2.1.4 孿生網(wǎng)絡(luò)
2.2 光流
2.3 目標(biāo)跟蹤數(shù)據(jù)集
2.3.1 OTB數(shù)據(jù)集
2.3.2 VOT數(shù)據(jù)集
2.4 本章小結(jié)
第3章 基于特征融合的單目標(biāo)跟蹤算法研究
3.1 引言
3.2 相關(guān)工作
3.2.1 深度特征的層次性
3.2.2 區(qū)域生成網(wǎng)絡(luò)
3.3 問題描述
3.4 方法流程及步驟
3.4.1 定位階段
3.4.2 計(jì)算尺度
3.4.3 模型更新
3.5 實(shí)驗(yàn)
3.5.1 實(shí)驗(yàn)設(shè)置
3.5.2 評(píng)測(cè)標(biāo)準(zhǔn)
3.5.3 實(shí)驗(yàn)結(jié)果及分析
3.6 本章小結(jié)
第4章 基于幀間信息的單目標(biāo)跟蹤算法研究
4.1 引言
4.2 相關(guān)工作
4.2.1 光流在單目標(biāo)跟蹤算法中的應(yīng)用
4.2.2 孿生網(wǎng)絡(luò)在單目標(biāo)跟蹤算法中的應(yīng)用
4.3 問題描述
4.4 方法流程及步驟
4.4.1 定位階段
4.4.2 篩選樣本
4.4.3 模型更新
4.5 實(shí)驗(yàn)
4.5.1 實(shí)驗(yàn)設(shè)置
4.5.2 評(píng)測(cè)標(biāo)準(zhǔn)
4.5.3 實(shí)驗(yàn)結(jié)果及分析
4.6 大規(guī)模城市監(jiān)控?cái)?shù)據(jù)集
4.6.1 數(shù)據(jù)集簡介
4.6.2 實(shí)驗(yàn)結(jié)果
4.7 本章小結(jié)
第5章 總結(jié)與展望
5.1 本文總結(jié)
5.2 研究展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果
本文編號(hào):3637881
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3637881.html
最近更新
教材專著