基于深度学习的实时长时目标跟踪算法

发布时间：2021-04-22 22:39

　　本文设计的基于深度学习的实时长时目标跟踪算法主要为了解决基于图像的目标跟踪算法在工业界内使用时实时性不好、鲁棒性较差等问题。本文使用深度学习提取的卷积特征代替传统特征,保证了算法的有效性。利用三元组损失代替对比损失、修改模板更新方式等方式,保证了算法的长时性。利用模型简化、算法加速等方式,保证了算法的实时性。最后实现了一个适用于现实场景的、可以长时跟踪的、保证了实时性的且有较强鲁棒性的目标跟踪算法框架TripNet。本文主要贡献以及创新点如下:1.在卷积特征提取训练时,引入了三元组损失（Triplet Loss）,相比于使用对比损失训练得到的特征,更注重区分不同类别之间的差异并提高特征的质量。相比于直接使用预训练好的卷积特征而不微调（Fine-Tuning）,特征更加关注物体的形变。相比于传统的图像特征,增加了特征的维度。这三方面的改进都提升了最后的精度与准确率,同时由于卷积提取的通用特征,也解决了手动调节阈值的问题。2.在数据集制备过程中,引入了随机裁剪,增加正样本数量。由于视频中目标（正样本）通常在每一帧只有一个,但背景却很多,所以将每一帧的目标框放大后再随机裁剪作为正样本,这样不... 

【文章来源】：西南财经大学四川省 211工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1.绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 发展趋势
    1.4 研究目标与意义
        1.4.1 研究目标
        1.4.2 研究意义
    1.5 研究内容
        1.5.1 论文工作
        1.5.2 论文创新
    1.6 结构安排
2.研究理论基础
    2.1 目标跟踪算法概述
        2.1.1 相关滤波算法概述
        2.1.2 深度学习方法概述
    2.2 特征提取
        2.2.1 HOG特征
        2.2.2 卷积特征
    2.3 损失函数
        2.3.1 Contrastive Loss
        2.3.2 Triplet Loss
    2.4 训练策略
        2.4.1 MiniBatch
        2.4.2 BatchHard
    2.5 优化算法
        2.5.1 SGD
        2.5.2 Momentum
        2.5.3 RMSProp
        2.5.4 Adam
    2.6 算法模型优化
        2.6.1 模型改进
        2.6.2 模型简化
    2.7 本章小结
3.算法设计与实现
    3.1 算法整体设计
        3.1.1 特征提取模块
        3.1.2 跟踪策略模块
        3.1.3 算法优化模块
    3.2 特征提取模块
        3.2.1 数据集预处理
        3.2.2 训练数据处理
        3.2.3 卷积神经网络设计
        3.2.4 三元组损失设计
        3.2.5 训练策略设计
        3.2.6 优化算法设计
    3.3 跟踪策略模块
        3.3.1 模板更新策略设计
        3.3.2 尺度更新策略设计
    3.4 算法优化模块设计
    3.5 本章小结
4.算法测试与验证
    4.1 测试环境
    4.2 测试数据
    4.3 测试与验证流程
    4.4 测试与验证结果
        4.4.1 跟踪算法精度与准确率
        4.4.2 跟踪算法实时性
        4.4.3 跟踪算法长时性
    4.5 算法测试效果
    4.6 测试与验证总结
5.结论与展望
    5.1 结论
    5.2 展望
参考文献
后记
致谢
在读期间科研成果目录


【参考文献】：
期刊论文
[1]人脸识别综述[J]. 刘卫凯,郝雅倩,郑晗,齐立萍.  信息记录材料. 2018(07)
[2]基于特征融合和L-M算法的车辆重识别方法[J]. 王盼盼,李玉惠.  电子科技. 2018(04)
[3]基于深度卷积网络的目标检测综述[J]. 吴帅,徐勇,赵东宁.  模式识别与人工智能. 2018(04)
[4]基于多域卷积神经网络与自回归模型的空中小目标自适应跟踪方法[J]. 蔺素珍,郑瑶,禄晓飞,曾建潮.  光学学报. 2017(12)
[5]行人重识别研究综述[J]. 宋婉茹,赵晴晴,陈昌红,干宗良,刘峰.  智能系统学报. 2017(06)
[6]方向梯度直方图综述[J]. 刘方园,王水花,张煜东.  计算机工程与应用. 2017(19)
[7]相关滤波目标跟踪进展综述[J]. 张微,康宝生.  中国图象图形学报. 2017(08)
[8]基于深度学习的目标跟踪方法研究现状与展望[J]. 罗海波,许凌云,惠斌,常铮.  红外与激光工程. 2017(05)
[9]运动目标跟踪算法综述[J]. 霍玲玲,杨莹.  电子技术与软件工程. 2016(24)
[10]卷积神经网络的研究进展综述[J]. 杨斌,钟金英.  南华大学学报(自然科学版). 2016(03)

硕士论文
[1]基于目标跟踪的视频去运动模糊[D]. 李娟.电子科技大学 2016
[2]旋翼无人机跟踪地面移动目标的视觉控制[D]. 姜运宇.哈尔滨工业大学 2014
[3]视频监控中的行人检测与跟踪方法研究[D]. 陈慧杰.厦门大学 2014
[4]关于循环矩阵若干问题的研究[D]. 胡艳.西南交通大学 2012



本文编号：3154594