复杂环境下目标跟踪算法研究
发布时间：2021-10-24 22:53
目标跟踪在现代社会的生活和生产中有着广泛的应用需求,而且随着智能化发展,视觉目标跟踪的应用领域更是不断扩大。随着此领域研究的深入,一些关键性难题逐渐呈现了出来。比如目标自身的变化（如形态变化）和外界环境的变化（如光照变化）等。这些复杂的干扰因素在很大程度上会影响目标跟踪的效果,甚至导致跟踪失败。对于一般意义的目标跟踪应用,需要第一帧的目标位置信息,该信息主要通过手动给出,无法满足自动化需求。对于工业应用来说,在特定环境下目标种类通常是一定的,因此可以利用深度学习的方法来检测出目标物,进而实现工业自动化检测与跟踪。本文开展了利用深度学习进行特定目标检测训练相关内容的研究。针对上述复杂干扰因素下的目标跟踪问题,本文研究了一种基于最小势垒距离（MBD）和时空上下文（STC）学习模型的跟踪方法。该方法对图像噪声和模糊特性具有较强的鲁棒性,并且可以通过Dijkstra-like算法进行近似计算,从而实现快速计算。实现过程中,采用MBD变换来测量上下文像素的权重,并基于贝叶斯框架来确定目标及其周围区域之间的时空关系,以此来估计目标的最可能位置。针对原STC更新模型容易发生崩溃的问题,本文提出了一种...
【文章来源】：天津大学天津市 211工程院校 985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】：
国内外无人驾驶汽车
出则由最后的全连接层完成。 整个 yolo 算法对图像的处理过程非常简单，如图 3-1 所示，对于输入的不同大小的图像，模型会先将输入的图片调整到统一的规格大小，随后对调整后的图像运行单个卷积神经网络，最后通过模型的置信度来对检测到的结果进行阈值处理，从而判断输入的图片里是否包含目标物。判断目标物的有无也是通过阈值对比的方式进行的，比如某一区域被判定为某一目标的可能性为 ，如果这个值大于设定的阈值，那么就认为此区域是这种目标物，如果小于此阈值就认为此区域不是此种目标物。当某一区域被判定成某一目标时，模型便会框选出此区域，并给出判断成的目标以及可能性。
第3章基于深度学习的目标检测算法213.3.1制作训练集对于深度学习目标检测算法而言，进行数据的训练是必不可少的，而且也是十分重要的一步。因此要想进行训练就需要制作训练时使用的数据集即标定好的样本数据。为了节省训练所用的时间，本次训练一共标记了两种零件。在从不同角度、背景、光照等条件下对每种零件采集28张图片。之所以采集的图片数量较少，一方面是标记过程需要一定的时间，如果采集的图片较多，那么标记需要的工作量以及时间就会比较大，而这一部分并不是本章工作的重要部分，因此在这方面没有采集大量的训练图片。除了这方面的因素外，测试使用的硬件条件也是重要的影响因素。本章内容的所有工作内容都是在一台i5处理器的计算机上完成的，而且编译、训练、测试都是使用这台计算机的CPU进行的计算，因此在这样的硬件环境支持下，要想训练大量的图片是无法实现的。这台计算机的处理性能较差，如果测试大量的图库可能会在中途因为某些不确定因素导致崩溃，另外如果中途未出现查错，训练大量的图片需要的时间也是非常长的，超长的训练时间则会影响整个工作内容的进度。考虑到这些实际的因素，本章制作的数据集比较小，仅仅是为了做最基本的验证。本次数据集需要的图片是通过手机进行采集，图片大小约为1.5M左右，尺寸为3120*4160。采集好图片后，将这些图片以便于读取的方式命名。随后通过相关软件labelImg对每张图片进行标记，标记内容包括被检测物体的位置框，以及物体所属的类别。通过标记可以得到统一格式的文件信息。图3-2labelImg操作窗口界面单张图片的标记流程十分简单，首先通过已有软件labelImg导入采集的图
【参考文献】：
期刊论文
[1]无人驾驶汽车发展现状及未来展望[J]. 穆康乐. 电子技术与软件工程. 2017(21)
[2]贝叶斯预测模型的应用[J]. 陈茜. 黑龙江科技信息. 2007(03)
博士论文
[1]基于稀疏学习的视觉目标跟踪[D]. 马子昂.浙江大学 2017
[2]复杂视觉场景下的行人检测与跟踪方法研究[D]. 刘晓辉.天津大学 2013
硕士论文
[1]复杂背景条件下运动目标检测与跟踪算法的研究[D]. 陈庆磊.天津大学 2013
本文编号：3456144
【文章来源】：天津大学天津市 211工程院校 985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】：
国内外无人驾驶汽车
出则由最后的全连接层完成。 整个 yolo 算法对图像的处理过程非常简单，如图 3-1 所示，对于输入的不同大小的图像，模型会先将输入的图片调整到统一的规格大小，随后对调整后的图像运行单个卷积神经网络，最后通过模型的置信度来对检测到的结果进行阈值处理，从而判断输入的图片里是否包含目标物。判断目标物的有无也是通过阈值对比的方式进行的，比如某一区域被判定为某一目标的可能性为 ，如果这个值大于设定的阈值，那么就认为此区域是这种目标物，如果小于此阈值就认为此区域不是此种目标物。当某一区域被判定成某一目标时，模型便会框选出此区域，并给出判断成的目标以及可能性。
第3章基于深度学习的目标检测算法213.3.1制作训练集对于深度学习目标检测算法而言，进行数据的训练是必不可少的，而且也是十分重要的一步。因此要想进行训练就需要制作训练时使用的数据集即标定好的样本数据。为了节省训练所用的时间，本次训练一共标记了两种零件。在从不同角度、背景、光照等条件下对每种零件采集28张图片。之所以采集的图片数量较少，一方面是标记过程需要一定的时间，如果采集的图片较多，那么标记需要的工作量以及时间就会比较大，而这一部分并不是本章工作的重要部分，因此在这方面没有采集大量的训练图片。除了这方面的因素外，测试使用的硬件条件也是重要的影响因素。本章内容的所有工作内容都是在一台i5处理器的计算机上完成的，而且编译、训练、测试都是使用这台计算机的CPU进行的计算，因此在这样的硬件环境支持下，要想训练大量的图片是无法实现的。这台计算机的处理性能较差，如果测试大量的图库可能会在中途因为某些不确定因素导致崩溃，另外如果中途未出现查错，训练大量的图片需要的时间也是非常长的，超长的训练时间则会影响整个工作内容的进度。考虑到这些实际的因素，本章制作的数据集比较小，仅仅是为了做最基本的验证。本次数据集需要的图片是通过手机进行采集，图片大小约为1.5M左右，尺寸为3120*4160。采集好图片后，将这些图片以便于读取的方式命名。随后通过相关软件labelImg对每张图片进行标记，标记内容包括被检测物体的位置框，以及物体所属的类别。通过标记可以得到统一格式的文件信息。图3-2labelImg操作窗口界面单张图片的标记流程十分简单，首先通过已有软件labelImg导入采集的图
【参考文献】：
期刊论文
[1]无人驾驶汽车发展现状及未来展望[J]. 穆康乐. 电子技术与软件工程. 2017(21)
[2]贝叶斯预测模型的应用[J]. 陈茜. 黑龙江科技信息. 2007(03)
博士论文
[1]基于稀疏学习的视觉目标跟踪[D]. 马子昂.浙江大学 2017
[2]复杂视觉场景下的行人检测与跟踪方法研究[D]. 刘晓辉.天津大学 2013
硕士论文
[1]复杂背景条件下运动目标检测与跟踪算法的研究[D]. 陈庆磊.天津大学 2013
本文编号：3456144
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3456144.html
