基于CNN与RNN结构化处理的目标跟踪算法研究

发布时间：2020-12-19 21:48

　　目标跟踪是计算机视觉领域中重要的研究内容之一,在国防军事、安防体系和日常生活中均有广泛应用。但实际场景中往往会出现如运动模糊、尺度变换和复杂背景等复杂情况,使得跟踪算法的性能难以保障。基于深度学习的目标跟踪算法使用卷积神经网络(Convolutional Neural Network,CNN)对图像进行特征提取,这些特征具有更强的泛化能力和更优秀的特征刻画能力,可以有效提升算法的准确性。但基于CNN的算法无法对相似目标有效区分,为进一步提升跟踪算法的准确性和实时性,本文设计了一种将卷积神经网络与循环神经网络(Recurrent Neural Network,RNN)相结合的结构化处理网络(Structured Processing Network,SPNet)用于目标跟踪,具体内容如下:(1)采用离线预训练与在线调整相结合的方法,对目标进行特征提取与跟踪。针对当前基于CNN的目标跟踪算法对相似目标跟踪效果较差的问题,提出了使用RNN进行结构化处理的方法。CNN用于类间判别,提供目标物体和背景之间的判别性,RNN对目标建立模型,用于区分相似目标。由于传统的链式结构RNN不适用于图像,本文... 

【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】：79 页

【学位级别】：硕士

【部分图文】：

基于相关滤波的跟踪算法如图1.1所示，KCF虽经典，但不是初次使用相关滤波的跟踪算法

习的跟踪算法也开始崭露头角并逐渐向世人展示深度学习的潜力。图 1.2 展示了部分基于深度学习的目标跟踪算法。图1.2 基于深度学习的跟踪算法如图 1.2 所示，近几年来基于深度学习的相关跟踪算法发展迅猛。首次使用深度学习方法尝试目标跟踪的学者，是香港科技大学王乃岩博士，他于 2012 年提出的深度学习跟踪（Deep Learning Tracker，DLT）[22]算法，提出了离线预训练与在线微调（fine-tune）相结合的思路，一定程度上解决了跟踪中训练样本不足的问题。同样是解决样本不足的问题，韩国的 POSTECH 团队从寻找目标跟踪任务的共性入手，以此减少算法对数据量的依赖性

y(a) 人类神经元结构 (b) 神经网络中神经元结构图2.1 人类神经元结构与神经网络中神经元结构对比近年来随着计算机性能的跨越式提高，以及 GPU、云计算的出现，计算量已经不再是制约神经网络发展的问题，随之而来的是人们对神经网络进一步摸索与应用。2012 年ImageNet 举办的图像分类竞赛中，AlexNet网络力压群雄，获得当年的冠军，至此，深度学习也被世人所熟知[34]。传统方法在解决图像或视频序列问题时，采用典型的分治策略，即把大的问题划分为若干个小问题

【参考文献】：
硕士论文
[1]基于卷积神经网络的空中目标跟踪技术研究[D]. 郑瑶.中北大学 2018
[2]面向局部遮挡的人脸识别方法研究及实现[D]. 林胜光.电子科技大学 2018
[3]基于神经网络的工业大数据分类模型与拟合模型研究[D]. 柴瑞泽.浙江大学 2018
[4]基于深度特征学习的目标检测与跟踪算法研究[D]. 贾祎恺.西安科技大学 2017
[5]基于深度学习的单目标跟踪方法研究[D]. 梁亮.哈尔滨工业大学 2017
[6]基于分块的抗遮挡目标跟踪算法研究[D]. 罗巍.华中科技大学 2017
[7]基于卷积神经网络和嵌套网络的目标跟踪算法研究[D]. 杨向南.华侨大学 2016
[8]基于结构化SVM的自适应尺度跟踪方法研究[D]. 曾吉.西安电子科技大学 2015
[9]基于卷积神经网络的目标跟踪算法研究与实现[D]. 张子夫.吉林大学 2015



本文编号：2926629