人體目標跟蹤是計算機視覺的重要研究方向,廣泛應用于智能視頻監控、智能交通系統、機器人、自動駕駛等領域,具有極高的研究價值。計算機視覺領域的深度學習方法,具有自主學習目標特征、準確度高、魯棒性強等優點。但是,基于深度學習的目標跟蹤仍然面對首幀訓練數據不足、各種內外部因素干擾、實時性要求等問題。因此,本文針對人體目標檢測和目標跟蹤算法進行了研究,研究工作如下:(1)針對當前主流的人體目標檢測算法Faster R-CNN,在處理多尺度問題時精度不足,網絡運行效率有待提升等問題,提出基于CNN的多尺度多人目標檢測方法。將FPN特征金字塔分別與Faster R-CNN的兩個階段進行結合,得到多尺度RPN和多尺度人體檢測器。權衡RPN階段正負錨點數量,保證網絡高效、穩定運行。提出使用多次NMS,代替一次NMS,加快網絡運行速度。調整錨點縱橫比例,并對整體網絡進行了一系列優化。提出的算法模型在標準數據集PETS 2009,Caltech,和INRIA上經過端到端訓練得到,實驗結果表明,提出方法的平均精確度顯著提高。(2)針對當前主流的目標跟蹤算法SiamMask提取目標的特征信息豐富度、深度欠佳,網...

【文章頁數】：63 頁

【學位級別】：碩士

【部分圖文】：

圖9不同特征參數與匹配算法下的平均識別時間變化

基于CNN的人體目標跟蹤算法研究14圖2-5SiamMask目標跟蹤算法流程圖Fig.2-5TargettrackingalgorithmflowchartofSiamMask為在當前幀定位的人體目標區域。SiamMask算法的運動模型計算方式如下：以上一幀邊界框回歸分支得到的豎....

圖2-2FasterR-CNN算法流程圖

青島科技大學研究生學位論文17有層級的Proposals匯集進一個集合中，再次減少重疊的多尺度Proposals。根據置信度由高到低的順序，取排名靠前的Proposals作為ROIs（RegionofInterest，感興趣區域）。如果FPN每一層單獨地使用不同的RPN網絡，那么....

圖2-3RPN算法流程圖

基于CNN的人體目標跟蹤算法研究18如圖3-2所示的殘差塊中，1×1卷積層的作用是改變特征圖的通道數，3×3卷積層的作用是提取特征信息。通過堆疊這種殘差塊，可以得到深層的ResNet-101網絡。ResNet（殘差網絡）卷積架構有一個特點，它可以讓神經網絡的卷積層數盡可能的多，從....

圖2-4FastR-CNN算法流程圖

基于CNN的人體目標跟蹤算法研究22TensorFlow的可視化工具Tensorboard來進行闡述。首先，FPN網絡的每一層特征圖的可視化結果對比如圖3-4：(a)原始特征圖(b)FPN特征圖圖3-4FPN網絡每一層級特征圖的對比Fig.3-4Comparisonoffeatu....

本文編號：4003792