基于深度学习的物体检测与跟踪方法的研究
发布时间：2021-10-27 10:50
随着时代的进步,硬件计算能力的不断提升以及大规模数据的出现,深度学习在目标检测上取得了突破性的发展,它将特征提取和分类整合到了一个单独的网络中。卷积神经网络是一种拥有局部感知结构的神经网络,可以将图像数据或者点云数据作为输入,逐层的提取由局部到全局的特征,所以它是一种在图像物体检测或者三维点云物体识别领域非常有效的方法。但是由于目标所处环境的复杂多样性,还没有一种通用成熟的物体检测方法,在实际应用中物体检测算法研究的机遇与挑战并存。本篇论文对基于深度学习的物体检测算法进行了深入的研究,在图像领域改进了一种基于图像单帧的物体检测算法,并对主流图像的目标跟踪算法进行了分析,提出了一种基于视频的深度学习与数据关联相结合的检测和跟踪方法;在激光雷达点云物体识别领域改进了一种三维点云物体检测算法,本文主要研究内容及创新点如下:1)在基于单帧图像的物体检测中,改进了基于SSD的物体检测框架,通过残差网络和稠密网络对检测网络的深度进行了优化,改进了宽残差网络,并对检测网络的宽度进行了优化,并且对特征提取层进行了稠密连接,最大化的提升了特征层间的信息流动,让检测网络能够更有效地挖掘图像特征,能够提高深...
【文章来源】：东华理工大学江西省
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.3 研究内容及组织结构
第2章 相关算法和模型分析
2.1 概述
2.2 传统的目标检测算法
2.2.1 图像特征
2.2.2 分类器
2.3 传统的目标跟踪算法
2.3.1 目标跟踪算法概述
2.3.2 主流跟踪算法性能分析
2.4 卷积神经网络
2.4.1 参数共享
2.4.2 池化
2.4.3 激活函数
2.4.4 可解释性
2.5 本章小结
第3章 基于SSD的图像物体检测改进算法
3.1 经典的卷积神经网络
3.1.1 VGGNet
3.1.2 ResNet
3.1.3 DenseNet
3.2 深度学习物体检测算法
3.2.1 基于区域建议框的方法
3.2.2 基于回归的方法
3.3 基于SSD的改进算法
3.3.1 改进的残差网络SSD的特征提取
3.3.2 改进的稠密网络SSD的特征提取
3.3.3 改进的轻量级的稠密连接的检测框架
3.4 实验与分析
3.4.1 实验数据
3.4.2 评价指标
3.4.3 实验比较与分析
3.5 本章小结
第4章 视频中物体检测与跟踪框架
4.1 多模型的融合
4.1.1 检测的抑制
4.1.2 检测的增广
4.1.3 检测的重定位
4.2 目标窗口的合并
4.3 基于上下文的非主要类别抑制
4.4 基于角点跟踪的包围框迁移
4.5 基于TLD跟踪的包围框迁移
4.6 视频中物体检测算法框架
4.7 实验与分析
4.7.1 实验数据
4.7.2 评价指标
4.7.3 实验比较与分析
4.8 本章小结
第5章 基于VoxelNet的三维点云物体检测改进算法
5.1 经典的三维点云物体检测算法
5.1.1 激光雷达的点云数据分析
5.1.2 传统的三维点云物体检测算法
5.2 深度学习的三维点云物体检测算法
5.2.1 基于三维点云网格化的方法
5.2.2 基于三维点云特征学习的方法
5.3 基于VoxelNet的改进算法
5.3.1 改进VoxelNet的点云特征编码
5.3.2 改进VoxelNet的Anchor机制
5.4 实验与分析
5.4.1 实验数据
5.4.2 评价指标
5.4.3 实验比较与分析
5.5 本章小结
第6章 总结与展望
6.1 工作总结
6.2 工作展望
致谢
参考文献
【参考文献】：
期刊论文
[1]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋. 中国图象图形学报. 2014(02)
本文编号：3461451
【文章来源】：东华理工大学江西省
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.3 研究内容及组织结构
第2章 相关算法和模型分析
2.1 概述
2.2 传统的目标检测算法
2.2.1 图像特征
2.2.2 分类器
2.3 传统的目标跟踪算法
2.3.1 目标跟踪算法概述
2.3.2 主流跟踪算法性能分析
2.4 卷积神经网络
2.4.1 参数共享
2.4.2 池化
2.4.3 激活函数
2.4.4 可解释性
2.5 本章小结
第3章 基于SSD的图像物体检测改进算法
3.1 经典的卷积神经网络
3.1.1 VGGNet
3.1.2 ResNet
3.1.3 DenseNet
3.2 深度学习物体检测算法
3.2.1 基于区域建议框的方法
3.2.2 基于回归的方法
3.3 基于SSD的改进算法
3.3.1 改进的残差网络SSD的特征提取
3.3.2 改进的稠密网络SSD的特征提取
3.3.3 改进的轻量级的稠密连接的检测框架
3.4 实验与分析
3.4.1 实验数据
3.4.2 评价指标
3.4.3 实验比较与分析
3.5 本章小结
第4章 视频中物体检测与跟踪框架
4.1 多模型的融合
4.1.1 检测的抑制
4.1.2 检测的增广
4.1.3 检测的重定位
4.2 目标窗口的合并
4.3 基于上下文的非主要类别抑制
4.4 基于角点跟踪的包围框迁移
4.5 基于TLD跟踪的包围框迁移
4.6 视频中物体检测算法框架
4.7 实验与分析
4.7.1 实验数据
4.7.2 评价指标
4.7.3 实验比较与分析
4.8 本章小结
第5章 基于VoxelNet的三维点云物体检测改进算法
5.1 经典的三维点云物体检测算法
5.1.1 激光雷达的点云数据分析
5.1.2 传统的三维点云物体检测算法
5.2 深度学习的三维点云物体检测算法
5.2.1 基于三维点云网格化的方法
5.2.2 基于三维点云特征学习的方法
5.3 基于VoxelNet的改进算法
5.3.1 改进VoxelNet的点云特征编码
5.3.2 改进VoxelNet的Anchor机制
5.4 实验与分析
5.4.1 实验数据
5.4.2 评价指标
5.4.3 实验比较与分析
5.5 本章小结
第6章 总结与展望
6.1 工作总结
6.2 工作展望
致谢
参考文献
【参考文献】：
期刊论文
[1]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋. 中国图象图形学报. 2014(02)
本文编号：3461451
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3461451.html
