人體目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)的重要研究方向,廣泛應(yīng)用于智能視頻監(jiān)控、智能交通系統(tǒng)、機(jī)器人、自動(dòng)駕駛等領(lǐng)域,具有極高的研究?jī)r(jià)值。計(jì)算機(jī)視覺(jué)領(lǐng)域的深度學(xué)習(xí)方法,具有自主學(xué)習(xí)目標(biāo)特征、準(zhǔn)確度高、魯棒性強(qiáng)等優(yōu)點(diǎn)。但是,基于深度學(xué)習(xí)的目標(biāo)跟蹤仍然面對(duì)首幀訓(xùn)練數(shù)據(jù)不足、各種內(nèi)外部因素干擾、實(shí)時(shí)性要求等問(wèn)題。因此,本文針對(duì)人體目標(biāo)檢測(cè)和目標(biāo)跟蹤算法進(jìn)行了研究,研究工作如下:(1)針對(duì)當(dāng)前主流的人體目標(biāo)檢測(cè)算法Faster R-CNN,在處理多尺度問(wèn)題時(shí)精度不足,網(wǎng)絡(luò)運(yùn)行效率有待提升等問(wèn)題,提出基于CNN的多尺度多人目標(biāo)檢測(cè)方法。將FPN特征金字塔分別與Faster R-CNN的兩個(gè)階段進(jìn)行結(jié)合,得到多尺度RPN和多尺度人體檢測(cè)器。權(quán)衡RPN階段正負(fù)錨點(diǎn)數(shù)量,保證網(wǎng)絡(luò)高效、穩(wěn)定運(yùn)行。提出使用多次NMS,代替一次NMS,加快網(wǎng)絡(luò)運(yùn)行速度。調(diào)整錨點(diǎn)縱橫比例,并對(duì)整體網(wǎng)絡(luò)進(jìn)行了一系列優(yōu)化。提出的算法模型在標(biāo)準(zhǔn)數(shù)據(jù)集PETS 2009,Caltech,和INRIA上經(jīng)過(guò)端到端訓(xùn)練得到,實(shí)驗(yàn)結(jié)果表明,提出方法的平均精確度顯著提高。(2)針對(duì)當(dāng)前主流的目標(biāo)跟蹤算法SiamMask提取目標(biāo)的特征信息豐富度、深度欠佳,網(wǎng)...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖9不同特征參數(shù)與匹配算法下的平均識(shí)別時(shí)間變化

基于CNN的人體目標(biāo)跟蹤算法研究14圖2-5SiamMask目標(biāo)跟蹤算法流程圖Fig.2-5TargettrackingalgorithmflowchartofSiamMask為在當(dāng)前幀定位的人體目標(biāo)區(qū)域。SiamMask算法的運(yùn)動(dòng)模型計(jì)算方式如下：以上一幀邊界框回歸分支得到的豎....

圖2-2FasterR-CNN算法流程圖

青島科技大學(xué)研究生學(xué)位論文17有層級(jí)的Proposals匯集進(jìn)一個(gè)集合中，再次減少重疊的多尺度Proposals。根據(jù)置信度由高到低的順序，取排名靠前的Proposals作為ROIs（RegionofInterest，感興趣區(qū)域）。如果FPN每一層單獨(dú)地使用不同的RPN網(wǎng)絡(luò)，那么....

圖2-3RPN算法流程圖

基于CNN的人體目標(biāo)跟蹤算法研究18如圖3-2所示的殘差塊中，1×1卷積層的作用是改變特征圖的通道數(shù)，3×3卷積層的作用是提取特征信息。通過(guò)堆疊這種殘差塊，可以得到深層的ResNet-101網(wǎng)絡(luò)。ResNet（殘差網(wǎng)絡(luò)）卷積架構(gòu)有一個(gè)特點(diǎn)，它可以讓神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)盡可能的多，從....

圖2-4FastR-CNN算法流程圖

基于CNN的人體目標(biāo)跟蹤算法研究22TensorFlow的可視化工具Tensorboard來(lái)進(jìn)行闡述。首先，F(xiàn)PN網(wǎng)絡(luò)的每一層特征圖的可視化結(jié)果對(duì)比如圖3-4：(a)原始特征圖(b)FPN特征圖圖3-4FPN網(wǎng)絡(luò)每一層級(jí)特征圖的對(duì)比Fig.3-4Comparisonoffeatu....

本文編號(hào)：4003792