基于CNN的人体目标跟踪算法研究

发布时间：2024-07-08 19:55

　　人体目标跟踪是计算机视觉的重要研究方向,广泛应用于智能视频监控、智能交通系统、机器人、自动驾驶等领域,具有极高的研究价值。计算机视觉领域的深度学习方法,具有自主学习目标特征、准确度高、鲁棒性强等优点。但是,基于深度学习的目标跟踪仍然面对首帧训练数据不足、各种内外部因素干扰、实时性要求等问题。因此,本文针对人体目标检测和目标跟踪算法进行了研究,研究工作如下:(1)针对当前主流的人体目标检测算法Faster R-CNN,在处理多尺度问题时精度不足,网络运行效率有待提升等问题,提出基于CNN的多尺度多人目标检测方法。将FPN特征金字塔分别与Faster R-CNN的两个阶段进行结合,得到多尺度RPN和多尺度人体检测器。权衡RPN阶段正负锚点数量,保证网络高效、稳定运行。提出使用多次NMS,代替一次NMS,加快网络运行速度。调整锚点纵横比例,并对整体网络进行了一系列优化。提出的算法模型在标准数据集PETS 2009,Caltech,和INRIA上经过端到端训练得到,实验结果表明,提出方法的平均精确度显著提高。(2)针对当前主流的目标跟踪算法SiamMask提取目标的特征信息丰富度、深度欠佳,网...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图9不同特征参数与匹配算法下的平均识别时间变化

基于CNN的人体目标跟踪算法研究14图2-5SiamMask目标跟踪算法流程图Fig.2-5TargettrackingalgorithmflowchartofSiamMask为在当前帧定位的人体目标区域。SiamMask算法的运动模型计算方式如下：以上一帧边界框回归分支得到的竖....

图2-2FasterR-CNN算法流程图

青岛科技大学研究生学位论文17有层级的Proposals汇集进一个集合中，再次减少重叠的多尺度Proposals。根据置信度由高到低的顺序，取排名靠前的Proposals作为ROIs（RegionofInterest，感兴趣区域）。如果FPN每一层单独地使用不同的RPN网络，那么....

图2-3RPN算法流程图

基于CNN的人体目标跟踪算法研究18如图3-2所示的残差块中，1×1卷积层的作用是改变特征图的通道数，3×3卷积层的作用是提取特征信息。通过堆叠这种残差块，可以得到深层的ResNet-101网络。ResNet（残差网络）卷积架构有一个特点，它可以让神经网络的卷积层数尽可能的多，从....

图2-4FastR-CNN算法流程图

基于CNN的人体目标跟踪算法研究22TensorFlow的可视化工具Tensorboard来进行阐述。首先，FPN网络的每一层特征图的可视化结果对比如图3-4：(a)原始特征图(b)FPN特征图图3-4FPN网络每一层级特征图的对比Fig.3-4Comparisonoffeatu....

本文编号：4003792