發(fā)布時(shí)間：2022-02-13 14:32

　　現(xiàn)實(shí)生活中,視覺(jué)是人類獲取信息最主要的方式,遠(yuǎn)遠(yuǎn)大于聲覺(jué)和嗅覺(jué)獲取的信息。計(jì)算機(jī)視覺(jué)技術(shù)成功地應(yīng)用在了無(wú)人駕駛、輔助醫(yī)療、智能安防等領(lǐng)域。計(jì)算機(jī)視覺(jué)中靜態(tài)的檢測(cè)識(shí)別技術(shù)只能滿足少量的應(yīng)用場(chǎng)景,動(dòng)態(tài)的視頻目標(biāo)檢測(cè)識(shí)別應(yīng)用范圍更廣,研究?jī)r(jià)值更大。視覺(jué)跟蹤任務(wù)的目標(biāo)是在一系列時(shí)序圖像中檢測(cè)連續(xù)運(yùn)動(dòng)的物體,獲得物體的運(yùn)動(dòng)數(shù)據(jù),進(jìn)一步提取物體運(yùn)動(dòng)軌跡,并對(duì)物體運(yùn)動(dòng)進(jìn)行運(yùn)動(dòng)分析,從而實(shí)現(xiàn)對(duì)物體運(yùn)動(dòng)行為的理解。近年來(lái),卷積神經(jīng)網(wǎng)絡(luò)的成功為眾多基于深度學(xué)習(xí)的跟蹤器打下了基礎(chǔ),從大規(guī)模圖像網(wǎng)絡(luò)數(shù)據(jù)集上的預(yù)訓(xùn)練模型中提取的深層特征被廣泛應(yīng)用于目標(biāo)表示。當(dāng)前基于深度學(xué)習(xí)的目標(biāo)跟蹤算法研究主要有兩種,一種是基于相關(guān)濾波的跟蹤算法,另一種是端到端的神經(jīng)網(wǎng)絡(luò)跟蹤算法。其中基于孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法是典型的端到端的深度跟蹤算法,本文主要研究基于孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法及其改進(jìn)工作,研究?jī)?nèi)容簡(jiǎn)介如下:（1）基于孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法在領(lǐng)域內(nèi)得到廣泛認(rèn)同,我們提出了基于多層融合的孿生網(wǎng)絡(luò)跟蹤算法,算法在孿生網(wǎng)絡(luò)的基礎(chǔ)上融合了淺層紋理特征以及深層語(yǔ)義特征優(yōu)化跟蹤性能。該方法主要結(jié)構(gòu)分為兩部分,一部分是由頂而下的... 

【文章來(lái)源】：山東大學(xué)山東省211工程院校985工程院校教育部直屬院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－２基于深度學(xué)習(xí)目標(biāo)跟蹤算法分類??

?山東大學(xué)碩士學(xué)位論文???第２章基于多層融合的孿生網(wǎng)絡(luò)跟蹤算法??目標(biāo)檢測(cè)中多層特征融合是一個(gè)重要的提升性能的方法，神經(jīng)網(wǎng)絡(luò)淺層??具有更多的紋理等底層特征，而高層具有更多的語(yǔ)義特征，結(jié)合底層與頂層??的特征能夠更好的反映目標(biāo)的特征。辛生網(wǎng)絡(luò)算法（Ｆｕｌｌｙ－Ｃｏｎｖｏｌｕｔｉｏｎａｌ??Ｓｉａｍｅｓｅ?Ｎｅｔｗｏｒｋｓ，?ＳｉａｍｅｓｅＦＣ）只是簡(jiǎn)單的單神經(jīng)網(wǎng)絡(luò)，深層孿生網(wǎng)絡(luò)算法??（Ｄｅｅｐｅｒ?ａｎｄ?Ｗｉｄｅｒ?Ｓｉａｍｅｓｅ?Ｎｅｔｗｏｒｋｓ，?ＳｉａｍＤＷ）算法使用更深的網(wǎng)絡(luò)作為主??干網(wǎng)絡(luò)。利用多層特征融合提髙孿生神經(jīng)網(wǎng)絡(luò)的跟蹤性能值得深入研究。本??章將介紹基于多層融合的孿生網(wǎng)絡(luò)跟蹤算法。??２．１基于孿生神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法??孿生神經(jīng)網(wǎng)絡(luò)常用來(lái)衡量?jī)蓚�(gè)輸入的相似度，神經(jīng)網(wǎng)絡(luò)將輸入映射到特??征空間，通過(guò)比較特征空間的向量度量輸入的相似度。孿生神經(jīng)網(wǎng)絡(luò)通過(guò)共??享網(wǎng)絡(luò)權(quán)重，分別對(duì)輸入進(jìn)行計(jì)算，并對(duì)兩個(gè)特征輸出優(yōu)化目標(biāo)函數(shù)，如圖??２－１。在目標(biāo)跟蹤中，兩個(gè)輸入分別是跟蹤目標(biāo)與搜索區(qū)域圖像。圖像直接??比較相似度是非常困難的，但在深度網(wǎng)絡(luò)特征空間中變得非常容易，這是由??深度神經(jīng)網(wǎng)絡(luò)的特性所決定的。在目標(biāo)跟蹤中目標(biāo)函數(shù)優(yōu)化的目標(biāo)是樣本標(biāo)??簽與網(wǎng)絡(luò)預(yù)測(cè)值均方誤差（Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ，?ＭＳＥ）最校??ｌｏｓｓ??Ｗｅｉｇｈｔｓ??Ｎｅｔ?１??Ｉｎｐｕｔ?１?Ｉｎｐｕｔ?２??圖２－１孿生神經(jīng)網(wǎng)絡(luò)??１１??

網(wǎng)絡(luò)具有豐富的特征信息，網(wǎng)絡(luò)淺層的輸出具有更多的底層視覺(jué)信??息，如紋理、顏色、形狀等，有助于確定特定的對(duì)象的位置。而神經(jīng)網(wǎng)絡(luò)最??深層的輸出包含更多的語(yǔ)義信息，可以區(qū)分目標(biāo)與背景。特征融合在多個(gè)不??同場(chǎng)景不同任務(wù)下取得了良好的效果，如目標(biāo)識(shí)別［２６］、人體檢測(cè)［２７］、活動(dòng)定??位防］。許多方法結(jié)合多重深度特性來(lái)提高模型表示能力，Ｓｈｒｉｖａｓｔａｖａ等人提??出了自下而上的深度特征融合方法，旨在通過(guò)利用頂層的語(yǔ)義特征和自下而??上的底層特征得到最終包含多層特征的輸出［２９］。如圖２－４所示，該方法主要??結(jié)構(gòu)是兩部分，一部分是由自頂而下的模塊傳遞高層語(yǔ)義信息來(lái)指導(dǎo)低層特??征的學(xué)習(xí)，另一部分是橫向模塊需要轉(zhuǎn)換自底向上的特征和融合橫向的特??征。??自底向上特征??Ｌａｔｅｒａｌ??ｍｏｄｕｌｅ??Ｉ??輸出?＾—?Ｔ〇Ｐ－？，ｗｎ?＾＾｜?Ｔｏｐｊｏｗｎ?＾?自頂向下特征??ｗ?４?ｍｏｄｕｌｅ?ｍｏｄｕｌｅ??圖２－４自頂向下的深度特征融合??本文在張志鵬提出的ＣＩＲ單元［２５］基礎(chǔ)上，結(jié)合多層融合的方法，提出了??基于多層融合的孿生網(wǎng)絡(luò)跟蹤算法。算法采用ＣＩＲｅｓＮｅｔ作為主干網(wǎng)絡(luò)，網(wǎng)??絡(luò)結(jié)構(gòu)如表２－１所示。ＣＩＲｅｓＮｅｔ由三個(gè)卷積模塊構(gòu)成，Ｃｏｎｖｌ包含一個(gè)７ｘ７??的卷積層和一個(gè)２ｘ２的池化層，Ｃｏｎｖｌ主要是為了減小輸入尺寸，減少計(jì)算??量，Ｃｏｎｖ２與Ｃｏｎｖ３包含多個(gè)卷積組合成的殘差模塊，其區(qū)別是通道數(shù)是遞??增關(guān)系。相比于ＳｉａｍｅｓｅＦＣ，?ＣＩＲｅｓＮｅｔ網(wǎng)絡(luò)層數(shù)更深，增加的殘差模塊可以??更好的學(xué)習(xí)圖像特征，解決了深層網(wǎng)絡(luò)梯度消失的問(wèn)題，并提高了模型訓(xùn)練??的收斂速度。??

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的多船舶目標(biāo)跟蹤與流量統(tǒng)計(jì)[J]. 冼允廷,邱偉健.  微型電腦應(yīng)用. 2020(03)
[2]基于多特征融合的高速路車輛多目標(biāo)跟蹤算法研究[J]. 胡隨芯,常艷昌,楊俊,章振原.  汽車技術(shù). 2020(09)
[3]深度學(xué)習(xí)的目標(biāo)跟蹤算法綜述[J]. 李璽,查宇飛,張?zhí)熘?崔振,左旺孟,侯志強(qiáng),盧湖川,王菡子.  中國(guó)圖象圖形學(xué)報(bào). 2019(12)
[4]基于深度學(xué)習(xí)的行人數(shù)量統(tǒng)計(jì)方法[J]. 楊亦樂(lè),高瑋瑋,馬曉峰,蔣曉.  軟件. 2019(11)
[5]基于深度學(xué)習(xí)與信息融合的多目標(biāo)跟蹤[J]. 劉朝濤,宋鵬宇,狄科宏.  工業(yè)控制計(jì)算機(jī). 2019(10)
[6]目標(biāo)跟蹤算法綜述[J]. 孟琭,楊旭.  自動(dòng)化學(xué)報(bào). 2019(07)
[7]卡爾曼濾波計(jì)算方法研究進(jìn)展[J]. 張友民,戴冠中,張洪才.  控制理論與應(yīng)用. 1995(05)



本文編號(hào)：3623363