基于深度学习的目标检测与跟踪技术研究及应用
发布时间：2021-12-12 07:01
目标检测与跟踪技术是计算机视觉领域的两个主要研究方向并且具有广泛应用。但是,目标尺寸较小、目标被遮挡严重影响目标检测与跟踪算法的性能。本文针对小目标和目标被遮挡造成的检测与跟踪效果差的问题,提出基于YOLO改进的多粒度特征融合的目标检测算法和基于LSTM的目标跟踪方法,实现了小目标和遮挡情况下检测与跟踪的性能提升。本论文主要研究内容如下:（1）研究分析了国内外目标检测与目标跟踪的现状以及目标检测和跟踪过程中目标过小和目标被遮挡的具体问题。介绍了深度学习的基础理论与基于深度学习的目标检测与跟踪算法,为后文算法改进提供了理论支撑。（2）提出基于YOLO改进的多粒度特征融合的目标检测算法。通过对YOLO的网络结构进行了多粒度特征融合的改进,使得模型在最终检测时提取的特征向量考虑更多底层的特征,解决因被检测目标过小,经过多层卷积和下采样操作而造成的特征丢失的问题。（3）提出基于LSTM的目标跟踪算法。针对目标跟踪中的遮挡、跟踪速度慢的问题,本文在基于YOLO改进的多粒度特征融合的目标检测算法基础上引入k邻域搜索的感兴趣区域确定模块,快速确定目标特征提取的感兴趣区域,利用LSTM神经网络对时序空...
【文章来源】：湖北工业大学湖北省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
TLD目标跟踪算法框图
湖北工业大学硕士学位论文11第2章基于深度学习的目标检测与跟踪本章主要阐述本文所涉及到的相关理论基础，主要分为：深度学习基础理论、基于深度学习的目标检测和目标跟踪技术。通过对相关理论的阐述，为后文中目标检测网络和目标跟踪框架的结构设计与改进提供理论指导，也是为后文的课题研究做铺垫。2.1深度学习近年来，伴随着GPU计算能力的不断提升，深度学习也得到蓬勃发展。深度学习突破以前经典神经网络对于网络层数的限制，这也是深度学习较传统神经网络的最大优势。深度学习不再需要单独的对图像特征进行选择与变换，而是将原始图像数据直接输入到深度学习网络模型中，经过深度学习网络模型学习出有效的特征表达，以实现具体的任务。目前，深度学习的方法已经广泛应用于计算机视觉等多个研究领域并表现出传统方法无与伦比的优势，本节将对深度学习相关理论以及卷积神经网络进行阐述。2.1.1人工神经网络与反向传播算法（1）人工神经网络人工神经网络(ArtificialNeuralNetwork，ANN)是深度学习的基础，它旨在通过数学模型模拟人脑神经元之间的信息处理和传递。神经元是神经网络的最基本单元，其神经元的结构如下图2.1所示：图2.1神经元原理示意图由图2.1可知，每一个神经元接受一组n维信号数据的输入
湖北工业大学硕士学位论文12n,,,,XXXXX321和一个偏置b，经过神经元的处理，得到一个输出值Y。神经元的处理过程对应着一个函数f，其表达式为式(2-1)：112211221,0,nnnnXWXWXWYXWXWXW(2-1)如式（2-1），当信息经过权值连接和偏置后超过阈值则被激活，通过这种方式有选择的将信息进行传递。将如图2.1的多个神经元如图2.2按层连接在一起就组成了人工神经网络，一般当神经网络的层数大于2层时称之为深度神经网络。图2.2神经网络结构图图2.2就是经典的全连接神经网络，每个神经元都通过一个权重参数iW相连接，每一个输入iX经过权重向后一层传递，同时，整个网络参数包括偏置b，最终通过输出层将输入通过神经网络进行映射。实质上，图2.2人工神经网络本质上是输入到输出的矩阵线性运算，随着神经网络层的加深，只是将这样线性运算进行叠加，整个深度神经网络依然是线性的。由于深度神经网络是这种线性运算，所以网络深度的加深对提取结构化、层次化特征是不起作用的，为了增强深度神经网络的丰富的非线性表达，引入非线性激活函数。非线性激活函数本质上是对公式(2-1)的改进，Sigmoid激活函数是一个比较经典的激活函数，Sigmoid激活函数表达式如式(2-2)：11xfxe(2-2)对于输入x，神经元通过式(2-2)进行非线性映射。Sigmoid激活函数不仅具有很好的非线性映射的作用，它还具有很好的数学性质，易于求导，有利于反向传播的实现。Sigmoid激活函数的函数图像如图2.3所示，此外还有其他优秀的激活函数如Relu、LeakyRelu、ELU等。他们适用于不同的应用场景，目的是增加模型的非线性表达的同时使得网络模型的训练更快速。
【参考文献】：
期刊论文
[1]目标跟踪算法综述[J]. 孟琭,杨旭. 自动化学报. 2019(07)
[2]粒子滤波理论在单目标跟踪中的应用综述[J]. 刘畅,杨锁昌,汪连栋. 飞航导弹. 2017(10)
[3]基于深度学习的目标跟踪方法研究现状与展望[J]. 罗海波,许凌云,惠斌,常铮. 红外与激光工程. 2017(05)
[4]SIFT特征的目标跟踪算法研究[J]. 范永红,李娜,李华光,张建国. 宏观经济管理. 2017(S1)
[5]强跟踪稀疏网格滤波在水下目标跟踪中的应用[J]. 王越,徐正生,于飞,陈斐楠. 计算机工程与应用. 2017(22)
[6]基于变换观测模型的粒子滤波跟踪算法[J]. 李春鑫. 光电技术应用. 2011(03)
[7]粒子滤波算法在目标跟踪中的应用[J]. 饶文碧,雷育华,王君. 武汉理工大学学报. 2009(03)
[8]基于均值漂移与卡尔曼滤波的目标跟踪算法[J]. 常发亮,刘雪,王华杰. 计算机工程与应用. 2007(12)
[9]一种改进的基于颜色直方图的实时目标跟踪算法[J]. 付永会,张风超,张宪民. 数据采集与处理. 2001(03)
博士论文
[1]复杂场景下单目标的视觉跟踪算法研究[D]. 冯平.华中科技大学 2019
硕士论文
[1]基于深度卷积神经网络的目标跟踪算法研究[D]. 陈会志.南京邮电大学 2019
[2]基于深度学习的目标跟踪算法研究[D]. 梁浩（Hawkeye Liang）.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]基于深度学习的实时目标跟踪应用研究[D]. 赵春梅.中国科学院大学(中国科学院光电技术研究所) 2019
[4]基于深度学习的目标检测与跟踪方法研究[D]. 郑亚垒.郑州大学 2019
[5]基于CMAC的无人船模糊PID航迹控制技术研究[D]. 李超.湖北工业大学 2019
[6]基于孪生神经网络的目标跟踪算法研究[D]. 张烁.华中科技大学 2019
[7]无人船海上目标单目视觉检测与跟踪算法研究[D]. 时俊楠.自然资源部第一海洋研究所 2019
[8]基于深度学习的复杂场景下单目标跟踪算法的研究[D]. 郭雅丽.长安大学 2019
[9]基于孪生神经网络的目标跟踪研究与应用[D]. 马欣.中国矿业大学 2019
[10]基于深度学习的目标跟踪算法研究[D]. 周扬.扬州大学 2019
本文编号：3536220
【文章来源】：湖北工业大学湖北省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
TLD目标跟踪算法框图
湖北工业大学硕士学位论文11第2章基于深度学习的目标检测与跟踪本章主要阐述本文所涉及到的相关理论基础，主要分为：深度学习基础理论、基于深度学习的目标检测和目标跟踪技术。通过对相关理论的阐述，为后文中目标检测网络和目标跟踪框架的结构设计与改进提供理论指导，也是为后文的课题研究做铺垫。2.1深度学习近年来，伴随着GPU计算能力的不断提升，深度学习也得到蓬勃发展。深度学习突破以前经典神经网络对于网络层数的限制，这也是深度学习较传统神经网络的最大优势。深度学习不再需要单独的对图像特征进行选择与变换，而是将原始图像数据直接输入到深度学习网络模型中，经过深度学习网络模型学习出有效的特征表达，以实现具体的任务。目前，深度学习的方法已经广泛应用于计算机视觉等多个研究领域并表现出传统方法无与伦比的优势，本节将对深度学习相关理论以及卷积神经网络进行阐述。2.1.1人工神经网络与反向传播算法（1）人工神经网络人工神经网络(ArtificialNeuralNetwork，ANN)是深度学习的基础，它旨在通过数学模型模拟人脑神经元之间的信息处理和传递。神经元是神经网络的最基本单元，其神经元的结构如下图2.1所示：图2.1神经元原理示意图由图2.1可知，每一个神经元接受一组n维信号数据的输入
湖北工业大学硕士学位论文12n,,,,XXXXX321和一个偏置b，经过神经元的处理，得到一个输出值Y。神经元的处理过程对应着一个函数f，其表达式为式(2-1)：112211221,0,nnnnXWXWXWYXWXWXW(2-1)如式（2-1），当信息经过权值连接和偏置后超过阈值则被激活，通过这种方式有选择的将信息进行传递。将如图2.1的多个神经元如图2.2按层连接在一起就组成了人工神经网络，一般当神经网络的层数大于2层时称之为深度神经网络。图2.2神经网络结构图图2.2就是经典的全连接神经网络，每个神经元都通过一个权重参数iW相连接，每一个输入iX经过权重向后一层传递，同时，整个网络参数包括偏置b，最终通过输出层将输入通过神经网络进行映射。实质上，图2.2人工神经网络本质上是输入到输出的矩阵线性运算，随着神经网络层的加深，只是将这样线性运算进行叠加，整个深度神经网络依然是线性的。由于深度神经网络是这种线性运算，所以网络深度的加深对提取结构化、层次化特征是不起作用的，为了增强深度神经网络的丰富的非线性表达，引入非线性激活函数。非线性激活函数本质上是对公式(2-1)的改进，Sigmoid激活函数是一个比较经典的激活函数，Sigmoid激活函数表达式如式(2-2)：11xfxe(2-2)对于输入x，神经元通过式(2-2)进行非线性映射。Sigmoid激活函数不仅具有很好的非线性映射的作用，它还具有很好的数学性质，易于求导，有利于反向传播的实现。Sigmoid激活函数的函数图像如图2.3所示，此外还有其他优秀的激活函数如Relu、LeakyRelu、ELU等。他们适用于不同的应用场景，目的是增加模型的非线性表达的同时使得网络模型的训练更快速。
【参考文献】：
期刊论文
[1]目标跟踪算法综述[J]. 孟琭,杨旭. 自动化学报. 2019(07)
[2]粒子滤波理论在单目标跟踪中的应用综述[J]. 刘畅,杨锁昌,汪连栋. 飞航导弹. 2017(10)
[3]基于深度学习的目标跟踪方法研究现状与展望[J]. 罗海波,许凌云,惠斌,常铮. 红外与激光工程. 2017(05)
[4]SIFT特征的目标跟踪算法研究[J]. 范永红,李娜,李华光,张建国. 宏观经济管理. 2017(S1)
[5]强跟踪稀疏网格滤波在水下目标跟踪中的应用[J]. 王越,徐正生,于飞,陈斐楠. 计算机工程与应用. 2017(22)
[6]基于变换观测模型的粒子滤波跟踪算法[J]. 李春鑫. 光电技术应用. 2011(03)
[7]粒子滤波算法在目标跟踪中的应用[J]. 饶文碧,雷育华,王君. 武汉理工大学学报. 2009(03)
[8]基于均值漂移与卡尔曼滤波的目标跟踪算法[J]. 常发亮,刘雪,王华杰. 计算机工程与应用. 2007(12)
[9]一种改进的基于颜色直方图的实时目标跟踪算法[J]. 付永会,张风超,张宪民. 数据采集与处理. 2001(03)
博士论文
[1]复杂场景下单目标的视觉跟踪算法研究[D]. 冯平.华中科技大学 2019
硕士论文
[1]基于深度卷积神经网络的目标跟踪算法研究[D]. 陈会志.南京邮电大学 2019
[2]基于深度学习的目标跟踪算法研究[D]. 梁浩（Hawkeye Liang）.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]基于深度学习的实时目标跟踪应用研究[D]. 赵春梅.中国科学院大学(中国科学院光电技术研究所) 2019
[4]基于深度学习的目标检测与跟踪方法研究[D]. 郑亚垒.郑州大学 2019
[5]基于CMAC的无人船模糊PID航迹控制技术研究[D]. 李超.湖北工业大学 2019
[6]基于孪生神经网络的目标跟踪算法研究[D]. 张烁.华中科技大学 2019
[7]无人船海上目标单目视觉检测与跟踪算法研究[D]. 时俊楠.自然资源部第一海洋研究所 2019
[8]基于深度学习的复杂场景下单目标跟踪算法的研究[D]. 郭雅丽.长安大学 2019
[9]基于孪生神经网络的目标跟踪研究与应用[D]. 马欣.中国矿业大学 2019
[10]基于深度学习的目标跟踪算法研究[D]. 周扬.扬州大学 2019
本文编号：3536220
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3536220.html
