基于深度卷积网络的人车检测及跟踪算法研究

发布时间：2021-02-09 08:39

　　视觉人车检测和跟踪是计算机视觉领域的基本内容和研究热点,在视频监控、智能车辆驾驶和机器人导航等领域有着广泛的应用,这些应用都能够大大地加速物流行业信息化、自动化和智能化进程。本论文基于计算机视觉技术和深度学习方法,对人车检测及跟踪算法展开研究。对于人车检测任务,为了解决目标检测中图片分辨率大和目标小的问题,设计了多尺度裁切（crop）训练和多尺度测试策略。对于人车跟踪任务,针对两种不同场景和条件,基于孪生网络和相关滤波原理,分别设计了端到端的目标跟踪方法和结合重检测的长期跟踪方法。本文的主要研究工作如下:（1）为了解决目标检测中图片分辨率高且小目标多的问题,设计了多尺度裁切训练和多尺度测试策略,并采用实例分割方法MaskRCNN。在训练阶段对原图进行多尺度的裁切,在测试阶段将原图进行多尺度放缩,有效解决了大分辨率图占显存过高的问题,并提升了对小目标识别的效果。采用Apolloscape数据集进行评估,算法表现出优越的效果并在CVPR 2018 WAD（Workshop on Autonomous Driving）挑战赛中排名第四。（2）为了解决目标跟踪中目标尺度、外观变化等问题,基于孪... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

图２－ｌＦａｓｔｅｒＲＣＮＮ网络结构图??骨干网络：采用ＣＮＮ进行输入图像的特征提取，得到整张图像的特征图

２．１．２?—阶段法检测原理??一阶段法检测器的典型代表是ＹＯＬＯｌＭ，由Ｒｅｄｍｏｎ等人提出，它将目标检??测视为从图像像素到边界框和相关类概率的回归问题。如图２－２所示，由于区域??提议生成阶段完全取消，ＹＯＬＯ使用全局图像的特征来预测检测结果。ＹＯＬＯ将??图像划分为ＳｘＳ网格，每个网格预测Ｃ个类别的概率分布、Ｂ个边界框的坐标??和对应可信度得分。这些预测被编码为一个ＳｘＳｘ（５Ｂ＋Ｃ）张量，网络的输出即为??这些编码。通过完全取消区域提议生成阶段，ＹＯＬＯ运行速度很快，以４５帧每??秒（ＦＰＳ）实时运行。由于ＹＯＬＯ在进行预测时会看到整个图像，因此它会隐式??编码有关目标类的上下文信息，并且可以减少背景上的误检。??夢［１；Ｉ??输入图片提取特征全连接层?分类??图２－２?ＹＯＬＯ目标检测原理??Ｙ０Ｌ０ｖ２［ｉｎ是ＹＯＬＯ的改良版本，将骨干网络替换为一个更简单的??ＤａｒｋＮｅｔｌ９

第二章目标检测与跟踪方法相关理论能达到最好的效果。当目标尺度变化较大时，小目标适适用于高层的特征，根据目标的尺寸，选取特征金字在不同特征层独立进行。??度特征金字塔网络的特征提取流程如下：??择一张需要处理的图片，然后对该图片进行预处理操理过的图片送入预训练的特征网络中（如Ｒｅｓｎｅｔ＾络；??图２－３所示，构建对应的自顶向下的网络（即对相邻的作，先用１ｘ１的卷积对浅层进行降维处理，然后将两积操作），至此完成了特征提取过程，得到不同层的


本文编号：3025372