特定动态小目标快速识别与跟踪技术研究
发布时间：2021-08-29 17:34
特定动态目标识别与跟踪在视频监视等方面具有重要的应用,近年机器学习技术以及卷积神经网路的发展极大地推动了特征提取以及图像的模式识别技术发展。本课题主要基于卷积神经网络技术并辅以卡尔曼滤波,匈牙利等传统算法旨在特定小目标的快速检测识别,以及动态特定目标的跟踪方面展开研究。主要研究内容如下:介绍了常用于目标检测的特征提取算法。主要从特征提取速度以及适用范围进行了总结,指出了与传统特征提取算法进行相比,使用卷积神经网络进行特定的目标提取能够具有较好的特征提取效果并且有较快的速度能够适用于特定小目标的快速识别过程。建立了基于卷积神经网络的针对静态特定小目标的检测器。从具体的实验目的出发,构建了包含飞机类,鸟类以及涡轮发动机类三个类别的数据集用于网络的训练以及检测,并且通过优化网络内部特征图提取位置增加了网络对小目标的识别效果,增加新的决策规则增加网络对特定类别的识别准确程度。通过联合卡尔曼滤波器以及匈牙利算法,完成对基于卷积神经网络的针对静态特定小目标的检测器的拓展,使其能够进行视频中动态特定目标的快速识别与跟踪任务。由于检测器只对静态特定目标进行检测严重限制了其使用范围,本文从高效的角度出发...
【文章来源】：中国工程物理研究院北京市
【文章页数】：63 页
【学位级别】：硕士
【图文】：
图１．１物体检测和定位的ＨＯＧ特征链??该链条使用ＨＯＧ特征并且考虑比较粗糙的空间上下文信息
?特定动态小目标快速识别与跟踪技术研究???在每个胞体中计算所有像素的一维梯度方向直方图，将相互重叠的稠密网??格的直方图结合起来就构成了该窗口最终的ＨＯＧ描绘子。ＨＯＧ描述子刻画了??局部形状的边缘／梯度结构，并且对旋转和平移有一定的鲁棒性。在目标检测的??时候，使用检测窗口在图像中滑动，计算所有位置和尺度下的ＨＯＧ描述子，??图１．２?ＨＯＧ中用到的方形或者圆形块结构??然后通过基于特征的分类器进行检测和识别。该方法由最早由Ｄａｌａｉ等［９］提出，??使用线性核ＳＶＭ出色地完成了行人检测任务，之后２０１７年邹冲等人发现一次??检测中仅仅使用单一分类器将很难适用各类检测情况，提出一种组合ＳＶＭ分??类器方法，进而提高检测率［１Ｇ］。??１．２．４积分图像以及ｈａｒｒ－ｌｉｋｅ特征??积分图像是一种能够描述全局信息的矩阵表示方法。该数据结构主要用来??快速计算多尺度的简单矩形特征，这种特征能够用于快速的目标识别以及目标??跟踪？。并且改进特征集还可以根据检测的目标的不同进行扩展［１２】。??积分图像在某一点的值是由该点以及其左上的所有像素点的和组成，具体??算法见１－５。??ｉｉ｛ｘ，ｙ）?＝?Ｚ?ｉ?（ｘ＇ｙ）??ｘ?＜ｘ，ｙ?＜ｙ??其中邱ＣＪ；）表示的是积分图像，收勿表示的是原来的图像。使用积分图像??的好处在于，任何矩形的和可以使用积分图像中的四个点来表达，具体过程??如图１．３：??在图１．３中，Ｄ中的像素和＝积分图中的“１”＋“４”－（“２’’＋“３”）。使用该类特征??４??
?特定动态小目标快速识别与跟踪技术研究???可以有效地提取行人［１４］以及人脸的特征。??Ａ?Ｂ??１?２???〇?６??Ｃ?〇??３?４???０?Ｇ??图１．３矩形Ｄ中的像素和??［Ｔ１?□??｜?｜ｉ｜?｜??—??图?１．４ｈａｒｒ－ｌｉｋｅ?特征??
【参考文献】：
期刊论文
[1]基于谱图和神经网络的通信干扰模式识别方法[J]. 张智博,樊雅玄,孟骁. 太赫兹科学与电子信息学报. 2019(06)
[2]基于Haar-like特征多分类器集成的行人检测[J]. 齐燕舞,朱杰. 信息技术. 2017(08)
[3]组合SVM分类器在行人检测中的研究[J]. 邹冲,蔡敦波,刘莹,赵娜,赵彤洲. 计算机科学. 2017(S1)
[4]基于新Haar-like特征的Adaboost人脸检测算法[J]. 江伟坚,郭躬德,赖智铭. 山东大学学报(工学版). 2014(02)
[5]复杂环境下高效物体跟踪级联分类器[J]. 江伟坚,郭躬德. 中国图象图形学报. 2014(02)
[6]基于SIFT和SURF图像拼接算法的改进算法[J]. 史露,苏刚,韩飞. 计算机应用与软件. 2013(06)
[7]基于多信息融合的驾驶员图像面部定位[J]. 张明恒,王荣本,郭烈. 交通与计算机. 2007(02)
[8]视觉跟踪技术综述[J]. 侯志强,韩崇昭. 自动化学报. 2006(04)
硕士论文
[1]基于深度学习的军事目标识别[D]. 潘浩.杭州电子科技大学 2018
[2]基于CUDA的实时目标识别系统的设计与实现[D]. 杨佳锷.哈尔滨工业大学 2017
[3]基于ELM与HMM的序列飞机目标识别算法研究[D]. 成杰.东南大学 2017
本文编号：3371082
【文章来源】：中国工程物理研究院北京市
【文章页数】：63 页
【学位级别】：硕士
【图文】：
图１．１物体检测和定位的ＨＯＧ特征链??该链条使用ＨＯＧ特征并且考虑比较粗糙的空间上下文信息
?特定动态小目标快速识别与跟踪技术研究???在每个胞体中计算所有像素的一维梯度方向直方图，将相互重叠的稠密网??格的直方图结合起来就构成了该窗口最终的ＨＯＧ描绘子。ＨＯＧ描述子刻画了??局部形状的边缘／梯度结构，并且对旋转和平移有一定的鲁棒性。在目标检测的??时候，使用检测窗口在图像中滑动，计算所有位置和尺度下的ＨＯＧ描述子，??图１．２?ＨＯＧ中用到的方形或者圆形块结构??然后通过基于特征的分类器进行检测和识别。该方法由最早由Ｄａｌａｉ等［９］提出，??使用线性核ＳＶＭ出色地完成了行人检测任务，之后２０１７年邹冲等人发现一次??检测中仅仅使用单一分类器将很难适用各类检测情况，提出一种组合ＳＶＭ分??类器方法，进而提高检测率［１Ｇ］。??１．２．４积分图像以及ｈａｒｒ－ｌｉｋｅ特征??积分图像是一种能够描述全局信息的矩阵表示方法。该数据结构主要用来??快速计算多尺度的简单矩形特征，这种特征能够用于快速的目标识别以及目标??跟踪？。并且改进特征集还可以根据检测的目标的不同进行扩展［１２】。??积分图像在某一点的值是由该点以及其左上的所有像素点的和组成，具体??算法见１－５。??ｉｉ｛ｘ，ｙ）?＝?Ｚ?ｉ?（ｘ＇ｙ）??ｘ?＜ｘ，ｙ?＜ｙ??其中邱ＣＪ；）表示的是积分图像，收勿表示的是原来的图像。使用积分图像??的好处在于，任何矩形的和可以使用积分图像中的四个点来表达，具体过程??如图１．３：??在图１．３中，Ｄ中的像素和＝积分图中的“１”＋“４”－（“２’’＋“３”）。使用该类特征??４??
?特定动态小目标快速识别与跟踪技术研究???可以有效地提取行人［１４］以及人脸的特征。??Ａ?Ｂ??１?２???〇?６??Ｃ?〇??３?４???０?Ｇ??图１．３矩形Ｄ中的像素和??［Ｔ１?□??｜?｜ｉ｜?｜??—??图?１．４ｈａｒｒ－ｌｉｋｅ?特征??
【参考文献】：
期刊论文
[1]基于谱图和神经网络的通信干扰模式识别方法[J]. 张智博,樊雅玄,孟骁. 太赫兹科学与电子信息学报. 2019(06)
[2]基于Haar-like特征多分类器集成的行人检测[J]. 齐燕舞,朱杰. 信息技术. 2017(08)
[3]组合SVM分类器在行人检测中的研究[J]. 邹冲,蔡敦波,刘莹,赵娜,赵彤洲. 计算机科学. 2017(S1)
[4]基于新Haar-like特征的Adaboost人脸检测算法[J]. 江伟坚,郭躬德,赖智铭. 山东大学学报(工学版). 2014(02)
[5]复杂环境下高效物体跟踪级联分类器[J]. 江伟坚,郭躬德. 中国图象图形学报. 2014(02)
[6]基于SIFT和SURF图像拼接算法的改进算法[J]. 史露,苏刚,韩飞. 计算机应用与软件. 2013(06)
[7]基于多信息融合的驾驶员图像面部定位[J]. 张明恒,王荣本,郭烈. 交通与计算机. 2007(02)
[8]视觉跟踪技术综述[J]. 侯志强,韩崇昭. 自动化学报. 2006(04)
硕士论文
[1]基于深度学习的军事目标识别[D]. 潘浩.杭州电子科技大学 2018
[2]基于CUDA的实时目标识别系统的设计与实现[D]. 杨佳锷.哈尔滨工业大学 2017
[3]基于ELM与HMM的序列飞机目标识别算法研究[D]. 成杰.东南大学 2017
本文编号：3371082
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3371082.html
