基于深度特征共享的关键点匹配与跟踪算法

发布时间：2021-03-30 05:44

　　作为计算机视觉领域中的一个重要研究方向,视觉目标跟踪技术目前已在自动驾驶、城市交通、人机交互、AI（Artificial intelligence）医疗等众多领域得到了广泛的应用。但是,由于实际场景中背景复杂以及目标自身变化不确定等诸多不定因素的存在,使得多数传统跟踪算法均不能有效地实现目标转态的估计。同时,当前的基于深度学习的算法虽然实现了高精度的目标跟踪,但实时性通常不够好。由此,跟踪的关键在于如何在保证执行效率的前提下,自适应地应对跟踪过程中目标外观的变化和被遮挡问题。为解决上述问题,本文深入研究了基于卷积神经网络和传统低层图像特征提取方法,提出一种基于深度特征共享的关键点匹配与跟踪算法,将包含图像语义信息和空间结构信息的高层卷积特征与传统具有高分辨率的低层特征算子进行结合,在提高了算法表征目标的能力之外,能够实现对目标的快速精确定位。以下是本文主要研究内容及创新点:（1）跟踪框架的创新突破了目前多数跟踪算法仅基于传统人工设计特征或基于高层深度图像特征来完成目标跟踪任务的框架。首先,将从离线网络中提取的深度图像特征进行共享,进而使用特征点匹配算法共同完成对目标的检测过程,再与算法... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

神经网络的特征可视化示意图

而当数据量较大且某些维度对于所处理问题的相关度不大时，就可通过 PCA降维对数据进行处理，可以减少计算量，提升整个模型的拟合速度。图2.6 去均值与归一化处理效果图2.2.2 批量随机梯度下降算法确定网络结构已知后，就需进行网络模型中参数的求解了。而在一个卷积神经网

目标函数与参数关系示意图

【参考文献】：
期刊论文
[1]高斯核函数卷积神经网络跟踪算法[J]. 汪鸿翔,柳培忠,骆炎民,杜永兆,陈智.  智能系统学报. 2018(03)
[2]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[3]基于Kinect传感器深度信息的动态手势识别[J]. 陶丽君,李翠华,张希婧,李胜睿.  厦门大学学报(自然科学版). 2013(04)
[4]一种基于多特征聚类的粒子滤波跟踪算法[J]. 包加桐,郭晏,唐鸿儒,宋爱国.  机器人. 2011(05)
[5]遮挡情况下目标跟踪算法综述[J]. 薛陈,朱明,刘春香.  中国光学与应用光学. 2009(05)
[6]图像分割方法研究[J]. 黄长专,王彪,杨忠.  计算机技术与发展. 2009(06)

硕士论文
[1]基于RGB-D的SLAM算法研究[D]. 丁洁琼.西安电子科技大学 2014



本文编号：3108975