复杂背景下基于深度学习的单目标跟踪算法研究

发布时间：2022-02-21 19:10

　　2016年以来,国家新型智慧城市迅速发展,为了顺应智慧城市的发展,未来的城市监控将会变得智能化、高清化,为此,需要使用计算机视觉的相关技术来解决当前非智能摄像头存在的一些问题,如无法实时预警、需要耗费大量人力物力进行分析等。作为计算机视觉领域的关键问题,单目标跟踪算法可以绘制给定物体的轨迹信息,方便后续进行行为分析和异常检测。因此,单目标跟踪问题作为计算机视觉领域的基础问题,具有重要的理论意义和研究价值。在城市监控场景中,监控画面非常复杂,主要体现在:（1）物体种类繁多,人流密度较大,不同的物体之间会发生频繁的遮挡;（2）物体在监控视频中运动时,会发生形变以及尺寸变化。这些问题给单目标跟踪算法带来了诸多挑战:（1）复杂背景中与目标相似的物体会干扰算法的准确性;（2）对外观渐变的物体进行跟踪时没有充分利用视频中丰富的时域信息。本论文针对上述挑战,开展技术研究。主要研究工作和创新点如下:1.提出了一种基于特征融合的单目标跟踪算法,用来解决复杂背景下如何减少相似背景对单目标跟踪造成的干扰问题。本文利用卷积神经网络提取特征的层次性,对深度特征进行融合,从而在保持深度特征判别能力的同时,提高深度... 

【文章来源】：中国科学技术大学安徽省211工程院校985工程院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 传统跟踪算法
        1.2.2 深度跟踪算法
    1.3 本文研究内容
    1.4 论文组织结构
第2章 相关基础理论和知识
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 池化
        2.1.3 网络结构
        2.1.4 孪生网络
    2.2 光流
    2.3 目标跟踪数据集
        2.3.1 OTB数据集
        2.3.2 VOT数据集
    2.4 本章小结
第3章 基于特征融合的单目标跟踪算法研究
    3.1 引言
    3.2 相关工作
        3.2.1 深度特征的层次性
        3.2.2 区域生成网络
    3.3 问题描述
    3.4 方法流程及步骤
        3.4.1 定位阶段
        3.4.2 计算尺度
        3.4.3 模型更新
    3.5 实验
        3.5.1 实验设置
        3.5.2 评测标准
        3.5.3 实验结果及分析
    3.6 本章小结
第4章 基于帧间信息的单目标跟踪算法研究
    4.1 引言
    4.2 相关工作
        4.2.1 光流在单目标跟踪算法中的应用
        4.2.2 孪生网络在单目标跟踪算法中的应用
    4.3 问题描述
    4.4 方法流程及步骤
        4.4.1 定位阶段
        4.4.2 筛选样本
        4.4.3 模型更新
    4.5 实验
        4.5.1 实验设置
        4.5.2 评测标准
        4.5.3 实验结果及分析
    4.6 大规模城市监控数据集
        4.6.1 数据集简介
        4.6.2 实验结果
    4.7 本章小结
第5章 总结与展望
    5.1 本文总结
    5.2 研究展望
参考文献
致谢
在读期间发表的学术论文与取得的研究成果



本文编号：3637881