發(fā)布時間：2021-12-10 13:01

　　隨著高像素成像設(shè)備和計算機(jī)數(shù)據(jù)處理的快速發(fā)展,計算機(jī)視覺領(lǐng)域取得了長足的進(jìn)步。視覺目標(biāo)跟蹤是計算機(jī)視覺和圖像處理的重要分支,它在人機(jī)交互、自動駕駛、軍事、圖像目標(biāo)識別領(lǐng)域中具有廣泛的應(yīng)用。深度學(xué)習(xí)的出現(xiàn),解決了很多計算機(jī)視覺領(lǐng)域中復(fù)雜的問題,在目標(biāo)檢測、圖像分割與分類等方面都獲得了較好的成績,而近些年,許多基于深度學(xué)習(xí)的目標(biāo)跟蹤算法被提出,加快了目標(biāo)跟蹤領(lǐng)域的發(fā)展,大大提升了跟蹤精度和速度。本文主要對基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法進(jìn)行分析和研究,利用其優(yōu)勢對現(xiàn)有的算法進(jìn)行優(yōu)化和改進(jìn),主要的研究內(nèi)容和創(chuàng)新點如下:本文對目標(biāo)跟蹤算法研究現(xiàn)狀進(jìn)行了一個全面的回顧,了解當(dāng)前目標(biāo)跟蹤領(lǐng)域所面臨的一些挑戰(zhàn),并詳細(xì)介紹了神經(jīng)網(wǎng)絡(luò),基于卷積特征和相關(guān)濾波的目標(biāo)跟蹤方法,基于端到端網(wǎng)絡(luò)模型的目標(biāo)跟蹤方法,發(fā)現(xiàn)了豐富的特征表達(dá)以及降低復(fù)雜的計算量會使目標(biāo)跟蹤的性能更加魯棒。（1）為了能夠充分提取目標(biāo)的卷積特征,利用其語義信息,在較為復(fù)雜的場景變化中更好的進(jìn)行跟蹤,本文提出了一種基于時空上下文分層響應(yīng)融合的目標(biāo)跟蹤算法。該算法利用卷積神經(jīng)網(wǎng)絡(luò)的分層特征,在卷積層上學(xué)習(xí)時空上下文感知相關(guān)濾波器,通過融合三個卷... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)跟蹤過程中的部分挑戰(zhàn)

13第2章相關(guān)理論基礎(chǔ)基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤方法通�？煞譃閮煞N，一種是在基于傳統(tǒng)算法的基礎(chǔ)上結(jié)合深度特征的算法，這類算法僅僅把神經(jīng)網(wǎng)絡(luò)當(dāng)作一種特征提取器，不能夠發(fā)揮出卷積神經(jīng)網(wǎng)絡(luò)的全部優(yōu)勢；另一種是使用端到端的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行跟蹤的算法，目標(biāo)的位置和尺度完全由神經(jīng)網(wǎng)絡(luò)自己來預(yù)測。本文將基于這兩種方法進(jìn)行改進(jìn)，并提出相應(yīng)的跟蹤算法。在本章中，將會先介紹神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，其次對上述兩類算法進(jìn)行討論。2.1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)[43]是從生物學(xué)中演變而來，基于其神經(jīng)網(wǎng)絡(luò)的基本原理，通過理解和抽象人腦的結(jié)構(gòu)以及外界刺激的響應(yīng)后，以一種網(wǎng)絡(luò)拓?fù)涞姆绞秸故境鰜恚M出人腦的神經(jīng)系統(tǒng)對于外界信息的處理過程的一種模型。這種模型它有很強(qiáng)的能力，將并行分布的處理能力、自學(xué)習(xí)、智能化和高容錯性等能力作為特征，把各種信息的加工處理和存儲結(jié)合在一起，并以其優(yōu)秀的表示方式和智能化的自適應(yīng)學(xué)習(xí)能力，在各個學(xué)科領(lǐng)域引起了大量研究人員的關(guān)注，對它不斷進(jìn)行研究分析改進(jìn)，提高該網(wǎng)絡(luò)的效率。它主要由大量的簡單元件通過相互連接組成了一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)，并且它具有較強(qiáng)的非線性能力，能夠很好的應(yīng)對一些復(fù)雜的邏輯操作和實現(xiàn)非線性關(guān)系。下圖2.1展示的是一個3層的神經(jīng)網(wǎng)絡(luò)。圖2.1人工神經(jīng)網(wǎng)絡(luò)模型

15圖2.2卷積操作這個過程可以理解為有一個滑動窗口，步長為1，把卷積核與對應(yīng)的圖像像素做乘積然后求和，得到了33的卷積結(jié)果，也就是卷積特征。在實際訓(xùn)練過程中，卷積核的值是在學(xué)習(xí)過程中學(xué)到的。在具體應(yīng)用中，往往有多個卷積核，每個卷積核代表了一種圖像模式[45]，如果某個圖像塊與此卷積核卷積出的值大，則認(rèn)為此圖像塊十分接近于此卷積核。如果設(shè)計了8個卷積核，認(rèn)為這個圖像上有8種底層紋理模式，也就是用8種基礎(chǔ)模式就能描繪出一副圖像。對于圖像，主要采用了卷積的方式來處理，也就是對每個像素點賦予一個權(quán)值，這個操作顯然是線性的。但是對于絕大多數(shù)樣本來說，不一定是線性可分的，為了解決這個問題，可以進(jìn)行線性變化或者引入非線性因素，解決線性模型所不能解決的問題。因此，卷積神經(jīng)網(wǎng)絡(luò)中引入了激活函數(shù)，常用的激活函數(shù)有Sigmoid、Tanh、ReLU、LeakyReLU等等。（2）池化層在卷積層中，可以通過調(diào)節(jié)步長參數(shù)實現(xiàn)特征圖的高寬成倍縮小，從而降低了網(wǎng)絡(luò)的參數(shù)量。此外，還有一種專門的網(wǎng)絡(luò)層可以實現(xiàn)尺寸縮減功能，它就是池化層(PoolingLayer)。池化層直接計算池化窗口內(nèi)元素的最大值或者平均值，該運(yùn)算也分別叫做最大池化或平均池化。在最大池化中，池化窗口從輸入數(shù)組的最左上方開始，按從左往右、從上往下的順序，依次在輸入數(shù)組上滑動。當(dāng)池化窗口滑動到某一位置時，窗口中的輸入子數(shù)組的最大值即輸出數(shù)組中相應(yīng)位置的元素。

【參考文獻(xiàn)】：
期刊論文
[1]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[2]視覺導(dǎo)航技術(shù)的發(fā)展及其研究分析[J]. 王先敏,曾慶化,熊智,劉建業(yè).  信息與控制. 2010(05)



本文編號：3532673