基于CNN的平面物体跟踪算法的研究与实现
发布时间：2021-07-16 17:23
视觉目标跟踪是计算机视觉领域的一个尤为关键的分支,作为视觉目标跟踪研究范畴之一的平面物体跟踪既是计算机视觉学术研究的热点领域,又在增强现实、监视、机器人视觉等方向上具有颇为广泛的应用。近几十年以来,已出现较多算法用于解决平面物体跟踪问题。目前大多数算法都属于传统的平面物体跟踪算法,传统的平面物体跟踪可以归结为非线性优化问题,算法的核心目标在于最小化目标函数,由于该问题本身属于非凸性问题,因此求解过程中容易获得局部极值解从而导致跟踪效果不理想。由于现阶段基于深度学习网络的图像处理任务备受关注,且鉴于目前将深度学习与平面物体跟踪相结合的相关研究很少,本文提出将深度学习网络应用到平面物体跟踪任务中,探索用于解决平面物体跟踪问题更为精准且高效的算法。本文主要的研究工作见下述内容:（1）问题的调研与分析。本文首先对于已有的平面物体跟踪算法进行大量调研,并对现有的算法存在的局部极值问题进行剖析。（2）提出了基于卷积神经网络的平面物体跟踪算法。提出的算法采用卷积神经网络架构实现端到端的跟踪训练过程,整体结构模拟传统的平面物体跟踪过程中特征提取、匹配以及变换参数的评估三个步骤。该算法较传统的算法更能捕...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２－１模板匹配的算法流程??Ｆｉｇｕｒｅ?２－１?Ｔｅｍｐｌａｔｅ?ｍａｔｃｈｉｎｇ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ??条件方差和（ＳＣＶ）［３４１是一种基于图像相似性度量的跟踪算法，是高效二阶最??
键点及存储关键点的描述符，接下来建立对象模型与输入图像之间关键点的对应??关系，最后在源于对应关系所产生的假设基础上，采用稳健的几何验证方法估计图??像中目标对象的变化，例如ＲＡＮＳＡＣＭＭ方法。算法具体流程如图２－２所示。???ｙ?［???目标对象提取局部描述符（Ｎ＝ｌ）??——?Ｙ—＾＾￣）??Ｎ??▼??当前帧提取局部描述符（Ｎ＝２，?３，．．．）???ｊ???匹配描述符???Ｉ?［???几何验证???Ｉ?ｒ???Ｎ＝Ｎ＋１??Ｉ??图２－２基于关键点跟踪的算法流程??Ｆｉｇｕｒｅ?２－２?Ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｂａｓｅｄ?ｏｎ?ｋｅｙ－ｐｏｉｎｔ?ｔｒａｃｋｉｎｇ??基于关键点的平面物体跟踪算法依赖于关键点，比较典型的ＳＡＴｔ６］算法中采用??ＳＩＦＴ作为关键点检测器及特征描述符，ＳＩＦＴ优势在于对照明、噪声、旋转及缩放??变化具有不变性，该算法在实际跟踪过程中，先是利用ＳＩＦＴ提取特征，接着在图??像序列的每一帧中设置一定的搜索域，采用缩小搜索域范围的方式选定关键的候??选部分，同时计算局部描述符并在整幅图像中匹配它们，其次将计算得到的描述符??同目标模型的描述符利用欧几里德距离进行相似性匹配，利用评估最近邻居的距??离与第二近邻距离的比率判断最优匹配
Ｆｉｇｕｒｅ?２－３?Ａ?ｔｙｐｉｃａｌ?ＣＮＮ?ａｒｃｈｉｔｅｃｔｕｒｅ??（１）卷积层：卷积神经网络的每一层涵盖一组神经元及可供学习的参数，??其中参数用来决定层之间的神经元该如何连接。整个架构由级联层构成，其主要??部分是卷积层，卷积层的卷积核或滤波在整个图像的空间位置上执行卷积操作以??生成输出图像的特征映射，具体操作是计算输入图像的区域与滤波器权重矩阵的??点积，计算过程中滤波器将滑过整幅图像进行重复相同的点积运算，并将计算结??果作为本层的输出。卷积层的计算需要注意两点：一是滤波器的通道数要与输入??图像的通道数目相同；二是网络愈深则所需的滤波器愈多，那么获得的边缘与特??征检测则愈多。??（２）激活层：激活层的作用是将卷积层的输出结果做非线性映射［４３］，即呈??非线性形式映射数据点，激活层是否被正确设置对于卷积神经网络训练的表现性??起着至关重要的作用，现阶段卷积神经网络中最常用的激活函数是ＲｅＬＵ，该激??活函数有着收敛快且梯度计算较容易的优势，其执行规则为ｙ?＝?ｍａｘ（０，ｘ），即输??入图像的每个负值都将返回０值，而每个正值都将返回与其相同的值，该操作具??
【参考文献】：
博士论文
[1]基于稀疏表示的RGB-D图像特征学习研究与应用[D]. 涂淑琴.华南农业大学 2016
硕士论文
[1]自由活体动物的动态跟踪算法研究[D]. 刁泽浩.河北大学 2018
[2]基于深度特征的多头部姿态下自然表情识别研究[D]. 张木兰.华中师范大学 2018
[3]基于图像处理的自动试衣软件设计与实现[D]. 邓建华.东华理工大学 2017
[4]门禁系统人数统计与异常行为检测技术研究[D]. 杨伟清.西南科技大学 2016
[5]基于深度卷积神经网络的CT图像肝脏肿瘤分割方法研究[D]. 李雯.中国科学院深圳先进技术研究院 2016
本文编号：3287432
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２－１模板匹配的算法流程??Ｆｉｇｕｒｅ?２－１?Ｔｅｍｐｌａｔｅ?ｍａｔｃｈｉｎｇ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ??条件方差和（ＳＣＶ）［３４１是一种基于图像相似性度量的跟踪算法，是高效二阶最??
键点及存储关键点的描述符，接下来建立对象模型与输入图像之间关键点的对应??关系，最后在源于对应关系所产生的假设基础上，采用稳健的几何验证方法估计图??像中目标对象的变化，例如ＲＡＮＳＡＣＭＭ方法。算法具体流程如图２－２所示。???ｙ?［???目标对象提取局部描述符（Ｎ＝ｌ）??——?Ｙ—＾＾￣）??Ｎ??▼??当前帧提取局部描述符（Ｎ＝２，?３，．．．）???ｊ???匹配描述符???Ｉ?［???几何验证???Ｉ?ｒ???Ｎ＝Ｎ＋１??Ｉ??图２－２基于关键点跟踪的算法流程??Ｆｉｇｕｒｅ?２－２?Ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｂａｓｅｄ?ｏｎ?ｋｅｙ－ｐｏｉｎｔ?ｔｒａｃｋｉｎｇ??基于关键点的平面物体跟踪算法依赖于关键点，比较典型的ＳＡＴｔ６］算法中采用??ＳＩＦＴ作为关键点检测器及特征描述符，ＳＩＦＴ优势在于对照明、噪声、旋转及缩放??变化具有不变性，该算法在实际跟踪过程中，先是利用ＳＩＦＴ提取特征，接着在图??像序列的每一帧中设置一定的搜索域，采用缩小搜索域范围的方式选定关键的候??选部分，同时计算局部描述符并在整幅图像中匹配它们，其次将计算得到的描述符??同目标模型的描述符利用欧几里德距离进行相似性匹配，利用评估最近邻居的距??离与第二近邻距离的比率判断最优匹配
Ｆｉｇｕｒｅ?２－３?Ａ?ｔｙｐｉｃａｌ?ＣＮＮ?ａｒｃｈｉｔｅｃｔｕｒｅ??（１）卷积层：卷积神经网络的每一层涵盖一组神经元及可供学习的参数，??其中参数用来决定层之间的神经元该如何连接。整个架构由级联层构成，其主要??部分是卷积层，卷积层的卷积核或滤波在整个图像的空间位置上执行卷积操作以??生成输出图像的特征映射，具体操作是计算输入图像的区域与滤波器权重矩阵的??点积，计算过程中滤波器将滑过整幅图像进行重复相同的点积运算，并将计算结??果作为本层的输出。卷积层的计算需要注意两点：一是滤波器的通道数要与输入??图像的通道数目相同；二是网络愈深则所需的滤波器愈多，那么获得的边缘与特??征检测则愈多。??（２）激活层：激活层的作用是将卷积层的输出结果做非线性映射［４３］，即呈??非线性形式映射数据点，激活层是否被正确设置对于卷积神经网络训练的表现性??起着至关重要的作用，现阶段卷积神经网络中最常用的激活函数是ＲｅＬＵ，该激??活函数有着收敛快且梯度计算较容易的优势，其执行规则为ｙ?＝?ｍａｘ（０，ｘ），即输??入图像的每个负值都将返回０值，而每个正值都将返回与其相同的值，该操作具??
【参考文献】：
博士论文
[1]基于稀疏表示的RGB-D图像特征学习研究与应用[D]. 涂淑琴.华南农业大学 2016
硕士论文
[1]自由活体动物的动态跟踪算法研究[D]. 刁泽浩.河北大学 2018
[2]基于深度特征的多头部姿态下自然表情识别研究[D]. 张木兰.华中师范大学 2018
[3]基于图像处理的自动试衣软件设计与实现[D]. 邓建华.东华理工大学 2017
[4]门禁系统人数统计与异常行为检测技术研究[D]. 杨伟清.西南科技大学 2016
[5]基于深度卷积神经网络的CT图像肝脏肿瘤分割方法研究[D]. 李雯.中国科学院深圳先进技术研究院 2016
本文编号：3287432
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3287432.html
