隨著科技水平的發(fā)展,人工智能、AI機器人等一系列深度學(xué)習(xí)方面的研究進入了高速發(fā)展的時期,眾多領(lǐng)域內(nèi),計算機視覺都出演著重大角色,例如在深度學(xué)習(xí)領(lǐng)域中的人臉識別、車輛追蹤、物品識別等方面更是凸顯出其重要性。算法的創(chuàng)新與大量的已標注數(shù)據(jù)集是實現(xiàn)深度學(xué)習(xí)創(chuàng)新前進的基礎(chǔ),現(xiàn)有的標注方式對于數(shù)據(jù)集處理需要消耗大量的人力和時間,一定程度減慢研究進展,通過對這一過程的改進,能夠節(jié)省大量人力和時間,提高深度學(xué)習(xí)的科研效率。提高數(shù)據(jù)集的標注處理過程是一個極具挑戰(zhàn)性的研究內(nèi)容,在本文中為了驗證性能對cvpr2013視頻序列數(shù)據(jù)集進行了標注測試。對數(shù)據(jù)集進行分析后,發(fā)現(xiàn)視頻中的內(nèi)容為連續(xù)內(nèi)容,同一個事物在視頻中的連續(xù)幀中會連續(xù)出現(xiàn),但也存在遮擋、半遮擋、變形、光暗變化等情況�；诖朔N情況,本文采取多目標跟蹤的方式對視頻中的事物進行跟蹤處理,對每一幀得到的跟蹤結(jié)果進行分析處理,將結(jié)果進行保存,便到了對應(yīng)幀的標注結(jié)果。鑒于視頻幀中,指定目標存在著多種情況需要進行處理,并且標注過程需要提高工作效率,減少標注耗時等,因此本文在算法使用上通過對公開算法的測試,選擇了 KCF目標跟蹤算法,并對該算法進行優(yōu)化改進,使其適... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

KCF算法整體流程圖

西安理工大學(xué)碩士學(xué)位論文82.2HOG特征KCF目標跟蹤算法在原文中提到了兩種特征——HOG特征和Gray特征兩者，Gray特征的整體計算過程比較簡單，不詳細描述和介紹該特征，主要關(guān)注放在HOG特征以及降維得到的FHOG特征上。2.2.1HOG特征有學(xué)者在學(xué)術(shù)會議上提出了HOG（梯度方向直方圖）特征，這種特征經(jīng)常性的應(yīng)用于模式識別、圖像識別等領(lǐng)域當中，是一種能夠在人體檢測中對目標進行圖像描述的特征，是一種對圖像的局部紋理能夠進行描述的特征，描述圖像局部梯度方向和梯度強度分布特性[26]。對于HOG特征的應(yīng)用最早見于行人檢測，在之后的研究發(fā)展中，逐步在目標識別、檢測等領(lǐng)域發(fā)揮出了重要作用。對于目標圖像，HOG特征對其依據(jù)塊或單元的形式進行劃分，對每個塊或單元需要計算其單獨的方向梯度，再重新排列所有塊或者單元的方向梯度。不同的實際提取圖像需求，導(dǎo)致HOG特征存在著不同的提取圖像特征的方式，例如通過灰度圖像提取特征或者RGB彩色圖像提取特征。比如，算法中特征提取是基于灰度圖像的，那么對于輸入的彩色圖像，首先進行的操作便是將其轉(zhuǎn)換為灰度圖像，計算HOG特征。反之，亦然。HOG特征流程如圖2-2所示。圖2-2HOG特征流程圖Fig.2-2HOGfeatureflowchartHOG特征的實現(xiàn)如下：

西安理工大學(xué)碩士學(xué)位論文10圖2-3梯度方向直方圖計算示例Fig.2-3Exampleofgradientdirectionhistogramcalculation5）梯度方向直方圖的歸一化操作：相鄰的4個單元進行組合，對形成的組合計算梯度方向直方圖，組合后稱為一個塊，每一個塊都需要進行標準化，標準化函數(shù)有四個，其中L2-NormwithHysteresisthreshold方法簡單且在檢測中效果相對較好，因此采用該方法，公式（2-6）所示如下。222evvf（2-6）6）最終得到HOG特征，其大小為36維。2.2.2FHOG特征在KCF算法原文和本論文中利用到的FHOG特征是在HOG特征的基礎(chǔ)上，為減少數(shù)據(jù)冗余而改進的，對于維度達到36維的HOG特征來說，數(shù)據(jù)冗余的現(xiàn)象是存在的[29][30]。由HOG特征通過降維操作得到FHOG特征在KCF算法原文中利用到的便是PCA降維法，在相關(guān)文獻[31]中也提出使用PCA降維法對HOG特征進行降維，降維后的FHOG特征保持了之前HOG特征的性能[31]。36維HOG特征的特征值如圖2-4[26]。圖2-4主成分示意圖[26]Fig.2-4Principalcomponentdiagram[26]在圖2-4中，9行4列的矩陣圖能夠代表36維的HOG特征，針對其中的圖，即每個特征值，進行觀察，發(fā)現(xiàn)在高緯度的11個特征值幾乎囊括了全部特征值擁有的內(nèi)容，為了降低參數(shù)的個數(shù)，減少計算復(fù)雜度，采用了低緯度的11個向量。

【參考文獻】：
期刊論文
[1]多特征自適應(yīng)融合的軍事偽裝目標跟蹤[J]. 李科,徐克虎,張波.  計算機工程與應(yīng)用. 2012(34)
[2]粒子濾波評述[J]. 程水英,張劍云.  宇航學(xué)報. 2008(04)

碩士論文
[1]基于KCF的目標跟蹤算法改進及GPU系統(tǒng)實現(xiàn)[D]. 劉金花.西安電子科技大學(xué) 2017
[2]軍事運動目標的識別與跟蹤研究[D]. 張麗.東北大學(xué) 2009



本文編號：2963631