基于多目标跟踪的半自动化视频标注研究与实现
发布时间:2021-01-08 01:26
随着科技水平的发展,人工智能、AI机器人等一系列深度学习方面的研究进入了高速发展的时期,众多领域内,计算机视觉都出演着重大角色,例如在深度学习领域中的人脸识别、车辆追踪、物品识别等方面更是凸显出其重要性。算法的创新与大量的已标注数据集是实现深度学习创新前进的基础,现有的标注方式对于数据集处理需要消耗大量的人力和时间,一定程度减慢研究进展,通过对这一过程的改进,能够节省大量人力和时间,提高深度学习的科研效率。提高数据集的标注处理过程是一个极具挑战性的研究内容,在本文中为了验证性能对cvpr2013视频序列数据集进行了标注测试。对数据集进行分析后,发现视频中的内容为连续内容,同一个事物在视频中的连续帧中会连续出现,但也存在遮挡、半遮挡、变形、光暗变化等情况。基于此种情况,本文采取多目标跟踪的方式对视频中的事物进行跟踪处理,对每一帧得到的跟踪结果进行分析处理,将结果进行保存,便到了对应帧的标注结果。鉴于视频帧中,指定目标存在着多种情况需要进行处理,并且标注过程需要提高工作效率,减少标注耗时等,因此本文在算法使用上通过对公开算法的测试,选择了 KCF目标跟踪算法,并对该算法进行优化改进,使其适...
【文章来源】:西安理工大学陕西省
【文章页数】:58 页
【学位级别】:硕士
【部分图文】:
KCF算法整体流程图
西安理工大学硕士学位论文82.2HOG特征KCF目标跟踪算法在原文中提到了两种特征——HOG特征和Gray特征两者,Gray特征的整体计算过程比较简单,不详细描述和介绍该特征,主要关注放在HOG特征以及降维得到的FHOG特征上。2.2.1HOG特征有学者在学术会议上提出了HOG(梯度方向直方图)特征,这种特征经常性的应用于模式识别、图像识别等领域当中,是一种能够在人体检测中对目标进行图像描述的特征,是一种对图像的局部纹理能够进行描述的特征,描述图像局部梯度方向和梯度强度分布特性[26]。对于HOG特征的应用最早见于行人检测,在之后的研究发展中,逐步在目标识别、检测等领域发挥出了重要作用。对于目标图像,HOG特征对其依据块或单元的形式进行划分,对每个块或单元需要计算其单独的方向梯度,再重新排列所有块或者单元的方向梯度。不同的实际提取图像需求,导致HOG特征存在着不同的提取图像特征的方式,例如通过灰度图像提取特征或者RGB彩色图像提取特征。比如,算法中特征提取是基于灰度图像的,那么对于输入的彩色图像,首先进行的操作便是将其转换为灰度图像,计算HOG特征。反之,亦然。HOG特征流程如图2-2所示。图2-2HOG特征流程图Fig.2-2HOGfeatureflowchartHOG特征的实现如下:
西安理工大学硕士学位论文10图2-3梯度方向直方图计算示例Fig.2-3Exampleofgradientdirectionhistogramcalculation5)梯度方向直方图的归一化操作:相邻的4个单元进行组合,对形成的组合计算梯度方向直方图,组合后称为一个块,每一个块都需要进行标准化,标准化函数有四个,其中L2-NormwithHysteresisthreshold方法简单且在检测中效果相对较好,因此采用该方法,公式(2-6)所示如下。222evvf(2-6)6)最终得到HOG特征,其大小为36维。2.2.2FHOG特征在KCF算法原文和本论文中利用到的FHOG特征是在HOG特征的基础上,为减少数据冗余而改进的,对于维度达到36维的HOG特征来说,数据冗余的现象是存在的[29][30]。由HOG特征通过降维操作得到FHOG特征在KCF算法原文中利用到的便是PCA降维法,在相关文献[31]中也提出使用PCA降维法对HOG特征进行降维,降维后的FHOG特征保持了之前HOG特征的性能[31]。36维HOG特征的特征值如图2-4[26]。图2-4主成分示意图[26]Fig.2-4Principalcomponentdiagram[26]在图2-4中,9行4列的矩阵图能够代表36维的HOG特征,针对其中的图,即每个特征值,进行观察,发现在高纬度的11个特征值几乎囊括了全部特征值拥有的内容,为了降低参数的个数,减少计算复杂度,采用了低纬度的11个向量。
【参考文献】:
期刊论文
[1]多特征自适应融合的军事伪装目标跟踪[J]. 李科,徐克虎,张波. 计算机工程与应用. 2012(34)
[2]粒子滤波评述[J]. 程水英,张剑云. 宇航学报. 2008(04)
硕士论文
[1]基于KCF的目标跟踪算法改进及GPU系统实现[D]. 刘金花.西安电子科技大学 2017
[2]军事运动目标的识别与跟踪研究[D]. 张丽.东北大学 2009
本文编号:2963631
【文章来源】:西安理工大学陕西省
【文章页数】:58 页
【学位级别】:硕士
【部分图文】:
KCF算法整体流程图
西安理工大学硕士学位论文82.2HOG特征KCF目标跟踪算法在原文中提到了两种特征——HOG特征和Gray特征两者,Gray特征的整体计算过程比较简单,不详细描述和介绍该特征,主要关注放在HOG特征以及降维得到的FHOG特征上。2.2.1HOG特征有学者在学术会议上提出了HOG(梯度方向直方图)特征,这种特征经常性的应用于模式识别、图像识别等领域当中,是一种能够在人体检测中对目标进行图像描述的特征,是一种对图像的局部纹理能够进行描述的特征,描述图像局部梯度方向和梯度强度分布特性[26]。对于HOG特征的应用最早见于行人检测,在之后的研究发展中,逐步在目标识别、检测等领域发挥出了重要作用。对于目标图像,HOG特征对其依据块或单元的形式进行划分,对每个块或单元需要计算其单独的方向梯度,再重新排列所有块或者单元的方向梯度。不同的实际提取图像需求,导致HOG特征存在着不同的提取图像特征的方式,例如通过灰度图像提取特征或者RGB彩色图像提取特征。比如,算法中特征提取是基于灰度图像的,那么对于输入的彩色图像,首先进行的操作便是将其转换为灰度图像,计算HOG特征。反之,亦然。HOG特征流程如图2-2所示。图2-2HOG特征流程图Fig.2-2HOGfeatureflowchartHOG特征的实现如下:
西安理工大学硕士学位论文10图2-3梯度方向直方图计算示例Fig.2-3Exampleofgradientdirectionhistogramcalculation5)梯度方向直方图的归一化操作:相邻的4个单元进行组合,对形成的组合计算梯度方向直方图,组合后称为一个块,每一个块都需要进行标准化,标准化函数有四个,其中L2-NormwithHysteresisthreshold方法简单且在检测中效果相对较好,因此采用该方法,公式(2-6)所示如下。222evvf(2-6)6)最终得到HOG特征,其大小为36维。2.2.2FHOG特征在KCF算法原文和本论文中利用到的FHOG特征是在HOG特征的基础上,为减少数据冗余而改进的,对于维度达到36维的HOG特征来说,数据冗余的现象是存在的[29][30]。由HOG特征通过降维操作得到FHOG特征在KCF算法原文中利用到的便是PCA降维法,在相关文献[31]中也提出使用PCA降维法对HOG特征进行降维,降维后的FHOG特征保持了之前HOG特征的性能[31]。36维HOG特征的特征值如图2-4[26]。图2-4主成分示意图[26]Fig.2-4Principalcomponentdiagram[26]在图2-4中,9行4列的矩阵图能够代表36维的HOG特征,针对其中的图,即每个特征值,进行观察,发现在高纬度的11个特征值几乎囊括了全部特征值拥有的内容,为了降低参数的个数,减少计算复杂度,采用了低纬度的11个向量。
【参考文献】:
期刊论文
[1]多特征自适应融合的军事伪装目标跟踪[J]. 李科,徐克虎,张波. 计算机工程与应用. 2012(34)
[2]粒子滤波评述[J]. 程水英,张剑云. 宇航学报. 2008(04)
硕士论文
[1]基于KCF的目标跟踪算法改进及GPU系统实现[D]. 刘金花.西安电子科技大学 2017
[2]军事运动目标的识别与跟踪研究[D]. 张丽.东北大学 2009
本文编号:2963631
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/2963631.html