特定動態(tài)目標(biāo)識別與跟蹤在視頻監(jiān)視等方面具有重要的應(yīng)用,近年機(jī)器學(xué)習(xí)技術(shù)以及卷積神經(jīng)網(wǎng)路的發(fā)展極大地推動了特征提取以及圖像的模式識別技術(shù)發(fā)展。本課題主要基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)并輔以卡爾曼濾波,匈牙利等傳統(tǒng)算法旨在特定小目標(biāo)的快速檢測識別,以及動態(tài)特定目標(biāo)的跟蹤方面展開研究。主要研究內(nèi)容如下:介紹了常用于目標(biāo)檢測的特征提取算法。主要從特征提取速度以及適用范圍進(jìn)行了總結(jié),指出了與傳統(tǒng)特征提取算法進(jìn)行相比,使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特定的目標(biāo)提取能夠具有較好的特征提取效果并且有較快的速度能夠適用于特定小目標(biāo)的快速識別過程。建立了基于卷積神經(jīng)網(wǎng)絡(luò)的針對靜態(tài)特定小目標(biāo)的檢測器。從具體的實(shí)驗(yàn)?zāi)康某霭l(fā),構(gòu)建了包含飛機(jī)類,鳥類以及渦輪發(fā)動機(jī)類三個類別的數(shù)據(jù)集用于網(wǎng)絡(luò)的訓(xùn)練以及檢測,并且通過優(yōu)化網(wǎng)絡(luò)內(nèi)部特征圖提取位置增加了網(wǎng)絡(luò)對小目標(biāo)的識別效果,增加新的決策規(guī)則增加網(wǎng)絡(luò)對特定類別的識別準(zhǔn)確程度。通過聯(lián)合卡爾曼濾波器以及匈牙利算法,完成對基于卷積神經(jīng)網(wǎng)絡(luò)的針對靜態(tài)特定小目標(biāo)的檢測器的拓展,使其能夠進(jìn)行視頻中動態(tài)特定目標(biāo)的快速識別與跟蹤任務(wù)。由于檢測器只對靜態(tài)特定目標(biāo)進(jìn)行檢測嚴(yán)重限制了其使用范圍,本文從高效的角度出發(fā)... 

【文章來源】：中國工程物理研究院北京市

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【圖文】：

圖１．１物體檢測和定位的ＨＯＧ特征鏈??該鏈條使用ＨＯＧ特征并且考慮比較粗糙的空間上下文信息

?特定動態(tài)小目標(biāo)快速識別與跟蹤技術(shù)研究???在每個胞體中計(jì)算所有像素的一維梯度方向直方圖，將相互重疊的稠密網(wǎng)??格的直方圖結(jié)合起來就構(gòu)成了該窗口最終的ＨＯＧ描繪子。ＨＯＧ描述子刻畫了??局部形狀的邊緣／梯度結(jié)構(gòu)，并且對旋轉(zhuǎn)和平移有一定的魯棒性。在目標(biāo)檢測的??時(shí)候，使用檢測窗口在圖像中滑動，計(jì)算所有位置和尺度下的ＨＯＧ描述子，??圖１．２?ＨＯＧ中用到的方形或者圓形塊結(jié)構(gòu)??然后通過基于特征的分類器進(jìn)行檢測和識別。該方法由最早由Ｄａｌａｉ等［９］提出，??使用線性核ＳＶＭ出色地完成了行人檢測任務(wù)，之后２０１７年鄒沖等人發(fā)現(xiàn)一次??檢測中僅僅使用單一分類器將很難適用各類檢測情況，提出一種組合ＳＶＭ分??類器方法，進(jìn)而提高檢測率［１Ｇ］。??１．２．４積分圖像以及ｈａｒｒ－ｌｉｋｅ特征??積分圖像是一種能夠描述全局信息的矩陣表示方法。該數(shù)據(jù)結(jié)構(gòu)主要用來??快速計(jì)算多尺度的簡單矩形特征，這種特征能夠用于快速的目標(biāo)識別以及目標(biāo)??跟蹤？。并且改進(jìn)特征集還可以根據(jù)檢測的目標(biāo)的不同進(jìn)行擴(kuò)展［１２】。??積分圖像在某一點(diǎn)的值是由該點(diǎn)以及其左上的所有像素點(diǎn)的和組成，具體??算法見１－５。??ｉｉ｛ｘ，ｙ）?＝?Ｚ?ｉ?（ｘ＇ｙ）??ｘ?＜ｘ，ｙ?＜ｙ??其中邱ＣＪ；）表示的是積分圖像，收勿表示的是原來的圖像。使用積分圖像??的好處在于，任何矩形的和可以使用積分圖像中的四個點(diǎn)來表達(dá)，具體過程??如圖１．３：??在圖１．３中，Ｄ中的像素和＝積分圖中的“１”＋“４”－（“２’’＋“３”）。使用該類特征??４??

?特定動態(tài)小目標(biāo)快速識別與跟蹤技術(shù)研究???可以有效地提取行人［１４］以及人臉的特征。??Ａ?Ｂ??１?２???〇?６??Ｃ?〇??３?４???０?Ｇ??圖１．３矩形Ｄ中的像素和??［Ｔ１?□??｜?｜ｉ｜?｜??—??圖?１．４ｈａｒｒ－ｌｉｋｅ?特征??

【參考文獻(xiàn)】：
期刊論文
[1]基于譜圖和神經(jīng)網(wǎng)絡(luò)的通信干擾模式識別方法[J]. 張智博,樊雅玄,孟驍.  太赫茲科學(xué)與電子信息學(xué)報(bào). 2019(06)
[2]基于Haar-like特征多分類器集成的行人檢測[J]. 齊燕舞,朱杰.  信息技術(shù). 2017(08)
[3]組合SVM分類器在行人檢測中的研究[J]. 鄒沖,蔡敦波,劉瑩,趙娜,趙彤洲.  計(jì)算機(jī)科學(xué). 2017(S1)
[4]基于新Haar-like特征的Adaboost人臉檢測算法[J]. 江偉堅(jiān),郭躬德,賴智銘.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2014(02)
[5]復(fù)雜環(huán)境下高效物體跟蹤級聯(lián)分類器[J]. 江偉堅(jiān),郭躬德.  中國圖象圖形學(xué)報(bào). 2014(02)
[6]基于SIFT和SURF圖像拼接算法的改進(jìn)算法[J]. 史露,蘇剛,韓飛.  計(jì)算機(jī)應(yīng)用與軟件. 2013(06)
[7]基于多信息融合的駕駛員圖像面部定位[J]. 張明恒,王榮本,郭烈.  交通與計(jì)算機(jī). 2007(02)
[8]視覺跟蹤技術(shù)綜述[J]. 侯志強(qiáng),韓崇昭.  自動化學(xué)報(bào). 2006(04)

碩士論文
[1]基于深度學(xué)習(xí)的軍事目標(biāo)識別[D]. 潘浩.杭州電子科技大學(xué) 2018
[2]基于CUDA的實(shí)時(shí)目標(biāo)識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 楊佳鍔.哈爾濱工業(yè)大學(xué) 2017
[3]基于ELM與HMM的序列飛機(jī)目標(biāo)識別算法研究[D]. 成杰.東南大學(xué) 2017



本文編號：3371082