目標檢測與跟蹤技術(shù)是計算機視覺領(lǐng)域的兩個主要研究方向并且具有廣泛應用。但是,目標尺寸較小、目標被遮擋嚴重影響目標檢測與跟蹤算法的性能。本文針對小目標和目標被遮擋造成的檢測與跟蹤效果差的問題,提出基于YOLO改進的多粒度特征融合的目標檢測算法和基于LSTM的目標跟蹤方法,實現(xiàn)了小目標和遮擋情況下檢測與跟蹤的性能提升。本論文主要研究內(nèi)容如下:（1）研究分析了國內(nèi)外目標檢測與目標跟蹤的現(xiàn)狀以及目標檢測和跟蹤過程中目標過小和目標被遮擋的具體問題。介紹了深度學習的基礎(chǔ)理論與基于深度學習的目標檢測與跟蹤算法,為后文算法改進提供了理論支撐。（2）提出基于YOLO改進的多粒度特征融合的目標檢測算法。通過對YOLO的網(wǎng)絡結(jié)構(gòu)進行了多粒度特征融合的改進,使得模型在最終檢測時提取的特征向量考慮更多底層的特征,解決因被檢測目標過小,經(jīng)過多層卷積和下采樣操作而造成的特征丟失的問題。（3）提出基于LSTM的目標跟蹤算法。針對目標跟蹤中的遮擋、跟蹤速度慢的問題,本文在基于YOLO改進的多粒度特征融合的目標檢測算法基礎(chǔ)上引入k鄰域搜索的感興趣區(qū)域確定模塊,快速確定目標特征提取的感興趣區(qū)域,利用LSTM神經(jīng)網(wǎng)絡對時序空... 

【文章來源】：湖北工業(yè)大學湖北省

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

TLD目標跟蹤算法框圖

湖北工業(yè)大學碩士學位論文11第2章基于深度學習的目標檢測與跟蹤本章主要闡述本文所涉及到的相關(guān)理論基礎(chǔ)，主要分為：深度學習基礎(chǔ)理論、基于深度學習的目標檢測和目標跟蹤技術(shù)。通過對相關(guān)理論的闡述，為后文中目標檢測網(wǎng)絡和目標跟蹤框架的結(jié)構(gòu)設(shè)計與改進提供理論指導，也是為后文的課題研究做鋪墊。2.1深度學習近年來，伴隨著GPU計算能力的不斷提升，深度學習也得到蓬勃發(fā)展。深度學習突破以前經(jīng)典神經(jīng)網(wǎng)絡對于網(wǎng)絡層數(shù)的限制，這也是深度學習較傳統(tǒng)神經(jīng)網(wǎng)絡的最大優(yōu)勢。深度學習不再需要單獨的對圖像特征進行選擇與變換，而是將原始圖像數(shù)據(jù)直接輸入到深度學習網(wǎng)絡模型中，經(jīng)過深度學習網(wǎng)絡模型學習出有效的特征表達，以實現(xiàn)具體的任務。目前，深度學習的方法已經(jīng)廣泛應用于計算機視覺等多個研究領(lǐng)域并表現(xiàn)出傳統(tǒng)方法無與倫比的優(yōu)勢，本節(jié)將對深度學習相關(guān)理論以及卷積神經(jīng)網(wǎng)絡進行闡述。2.1.1人工神經(jīng)網(wǎng)絡與反向傳播算法（1）人工神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetwork，ANN)是深度學習的基礎(chǔ)，它旨在通過數(shù)學模型模擬人腦神經(jīng)元之間的信息處理和傳遞。神經(jīng)元是神經(jīng)網(wǎng)絡的最基本單元，其神經(jīng)元的結(jié)構(gòu)如下圖2.1所示：圖2.1神經(jīng)元原理示意圖由圖2.1可知，每一個神經(jīng)元接受一組n維信號數(shù)據(jù)的輸入

湖北工業(yè)大學碩士學位論文12n,,,,XXXXX321和一個偏置b，經(jīng)過神經(jīng)元的處理，得到一個輸出值Y。神經(jīng)元的處理過程對應著一個函數(shù)f，其表達式為式(2-1)：112211221,0,nnnnXWXWXWYXWXWXW(2-1)如式（2-1），當信息經(jīng)過權(quán)值連接和偏置后超過閾值則被激活，通過這種方式有選擇的將信息進行傳遞。將如圖2.1的多個神經(jīng)元如圖2.2按層連接在一起就組成了人工神經(jīng)網(wǎng)絡，一般當神經(jīng)網(wǎng)絡的層數(shù)大于2層時稱之為深度神經(jīng)網(wǎng)絡。圖2.2神經(jīng)網(wǎng)絡結(jié)構(gòu)圖圖2.2就是經(jīng)典的全連接神經(jīng)網(wǎng)絡，每個神經(jīng)元都通過一個權(quán)重參數(shù)iW相連接，每一個輸入iX經(jīng)過權(quán)重向后一層傳遞，同時，整個網(wǎng)絡參數(shù)包括偏置b，最終通過輸出層將輸入通過神經(jīng)網(wǎng)絡進行映射。實質(zhì)上，圖2.2人工神經(jīng)網(wǎng)絡本質(zhì)上是輸入到輸出的矩陣線性運算，隨著神經(jīng)網(wǎng)絡層的加深，只是將這樣線性運算進行疊加，整個深度神經(jīng)網(wǎng)絡依然是線性的。由于深度神經(jīng)網(wǎng)絡是這種線性運算，所以網(wǎng)絡深度的加深對提取結(jié)構(gòu)化、層次化特征是不起作用的，為了增強深度神經(jīng)網(wǎng)絡的豐富的非線性表達，引入非線性激活函數(shù)。非線性激活函數(shù)本質(zhì)上是對公式(2-1)的改進，Sigmoid激活函數(shù)是一個比較經(jīng)典的激活函數(shù)，Sigmoid激活函數(shù)表達式如式(2-2)：11xfxe(2-2)對于輸入x，神經(jīng)元通過式(2-2)進行非線性映射。Sigmoid激活函數(shù)不僅具有很好的非線性映射的作用，它還具有很好的數(shù)學性質(zhì)，易于求導，有利于反向傳播的實現(xiàn)。Sigmoid激活函數(shù)的函數(shù)圖像如圖2.3所示，此外還有其他優(yōu)秀的激活函數(shù)如Relu、LeakyRelu、ELU等。他們適用于不同的應用場景，目的是增加模型的非線性表達的同時使得網(wǎng)絡模型的訓練更快速。

【參考文獻】：
期刊論文
[1]目標跟蹤算法綜述[J]. 孟琭,楊旭.  自動化學報. 2019(07)
[2]粒子濾波理論在單目標跟蹤中的應用綜述[J]. 劉暢,楊鎖昌,汪連棟.  飛航導彈. 2017(10)
[3]基于深度學習的目標跟蹤方法研究現(xiàn)狀與展望[J]. 羅海波,許凌云,惠斌,常錚.  紅外與激光工程. 2017(05)
[4]SIFT特征的目標跟蹤算法研究[J]. 范永紅,李娜,李華光,張建國.  宏觀經(jīng)濟管理. 2017(S1)
[5]強跟蹤稀疏網(wǎng)格濾波在水下目標跟蹤中的應用[J]. 王越,徐正生,于飛,陳斐楠.  計算機工程與應用. 2017(22)
[6]基于變換觀測模型的粒子濾波跟蹤算法[J]. 李春鑫.  光電技術(shù)應用. 2011(03)
[7]粒子濾波算法在目標跟蹤中的應用[J]. 饒文碧,雷育華,王君.  武漢理工大學學報. 2009(03)
[8]基于均值漂移與卡爾曼濾波的目標跟蹤算法[J]. 常發(fā)亮,劉雪,王華杰.  計算機工程與應用. 2007(12)
[9]一種改進的基于顏色直方圖的實時目標跟蹤算法[J]. 付永會,張風超,張憲民.  數(shù)據(jù)采集與處理. 2001(03)

博士論文
[1]復雜場景下單目標的視覺跟蹤算法研究[D]. 馮平.華中科技大學 2019

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的目標跟蹤算法研究[D]. 陳會志.南京郵電大學 2019
[2]基于深度學習的目標跟蹤算法研究[D]. 梁浩（Hawkeye Liang）.中國科學院大學(中國科學院長春光學精密機械與物理研究所) 2019
[3]基于深度學習的實時目標跟蹤應用研究[D]. 趙春梅.中國科學院大學(中國科學院光電技術(shù)研究所) 2019
[4]基于深度學習的目標檢測與跟蹤方法研究[D]. 鄭亞壘.鄭州大學 2019
[5]基于CMAC的無人船模糊PID航跡控制技術(shù)研究[D]. 李超.湖北工業(yè)大學 2019
[6]基于孿生神經(jīng)網(wǎng)絡的目標跟蹤算法研究[D]. 張爍.華中科技大學 2019
[7]無人船海上目標單目視覺檢測與跟蹤算法研究[D]. 時俊楠.自然資源部第一海洋研究所 2019
[8]基于深度學習的復雜場景下單目標跟蹤算法的研究[D]. 郭雅麗.長安大學 2019
[9]基于孿生神經(jīng)網(wǎng)絡的目標跟蹤研究與應用[D]. 馬欣.中國礦業(yè)大學 2019
[10]基于深度學習的目標跟蹤算法研究[D]. 周揚.揚州大學 2019



本文編號：3536220