基于卷积神经网络的行人跟踪算法

发布时间：2022-10-11 11:37

　　目标跟踪是计算机视觉领域的重要研究方向,受到国内外研究学者的普遍关注。行人跟踪作为目标跟踪一个重要分支,是模式识别及机器学习领域的研究热点之一,被广泛应用于智能监控等领域,具有十分重要的应用价值。随着大数据和人工智能时代的到来,深度学习在图像分类识别领域取得了巨大成功。相应地,基于深度学习的行人跟踪算法也得到了快速发展。近年来,基于孪生（Siamese）神经网络的跟踪器因其能兼顾跟踪精度和速度而倍受关注,得到快速发展,但仍有一些问题需要解决。例如,大多数Siamese及其改进跟踪方法的主干网络均直接采用面向目标分类任务的神经网络,欠缺对同类物体的区分能力。而在行人跟踪中,目标行人极易受到邻近行人的干扰或遮挡,算法有很高的概率丢失正确目标转而跟踪其他行人。其次,Siamese跟踪方法将单目标跟踪问题转化为one-shot目标检测任务,未能充分利用视觉跟踪的时域相关性。第三,Siamese跟踪方法采用视频序列的固定帧作为跟踪模板,在跟踪过程中未提供模板更新机制,难以处理跟踪场景中行人外观的剧烈变化。本文主要研究基于深度学习孪生网络的行人跟踪算法。首先,针对Siamese跟踪方法以分类神经网... 

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 选题的背景与意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 论文主要内容和结构安排
2 理论概述
    2.1 卷积神经网络
        2.1.1 卷积
        2.1.2 卷积层
        2.1.3 池化
        2.1.4 网络结构
    2.2 卡尔曼滤波
    2.3 孪生网络结构
    2.4 本章小结
3 基于表观信息的SiamRPN跟踪
    3.1 研究背景
    3.2 基于表观信息的SiamRPN跟踪
        3.2.1 SiamRPN框架
        3.2.2 算法结构
        3.2.3 颜色相似度的计算方法
    3.3 实验结果与分析
    3.4 本章小结
4 基于帧间信息的SiamRPN跟踪
    4.1 结合卡尔曼滤波的SiamRPN跟踪
        4.1.1 算法流程
        4.1.2 实验结果及分析
    4.2 模板更新策略
        4.2.1 算法流程
        4.2.2 实验结果及分析
    4.3 本章小结
5 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
附录
    A.作者在攻读学位期间参与的科研项目
    B.学位论文数据集
致谢



本文编号：3690502