基于孪生卷积网络的目标跟踪算法研究
发布时间：2022-02-13 14:32
现实生活中,视觉是人类获取信息最主要的方式,远远大于声觉和嗅觉获取的信息。计算机视觉技术成功地应用在了无人驾驶、辅助医疗、智能安防等领域。计算机视觉中静态的检测识别技术只能满足少量的应用场景,动态的视频目标检测识别应用范围更广,研究价值更大。视觉跟踪任务的目标是在一系列时序图像中检测连续运动的物体,获得物体的运动数据,进一步提取物体运动轨迹,并对物体运动进行运动分析,从而实现对物体运动行为的理解。近年来,卷积神经网络的成功为众多基于深度学习的跟踪器打下了基础,从大规模图像网络数据集上的预训练模型中提取的深层特征被广泛应用于目标表示。当前基于深度学习的目标跟踪算法研究主要有两种,一种是基于相关滤波的跟踪算法,另一种是端到端的神经网络跟踪算法。其中基于孪生神经网络的目标跟踪算法是典型的端到端的深度跟踪算法,本文主要研究基于孪生神经网络的目标跟踪算法及其改进工作,研究内容简介如下:（1）基于孪生神经网络的目标跟踪算法在领域内得到广泛认同,我们提出了基于多层融合的孪生网络跟踪算法,算法在孪生网络的基础上融合了浅层纹理特征以及深层语义特征优化跟踪性能。该方法主要结构分为两部分,一部分是由顶而下的...
【文章来源】：山东大学山东省211工程院校985工程院校教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图１－２基于深度学习目标跟踪算法分类??
?山东大学硕士学位论文???第２章基于多层融合的孪生网络跟踪算法??目标检测中多层特征融合是一个重要的提升性能的方法，神经网络浅层??具有更多的纹理等底层特征，而高层具有更多的语义特征，结合底层与顶层??的特征能够更好的反映目标的特征。辛生网络算法（Ｆｕｌｌｙ－Ｃｏｎｖｏｌｕｔｉｏｎａｌ??Ｓｉａｍｅｓｅ?Ｎｅｔｗｏｒｋｓ，?ＳｉａｍｅｓｅＦＣ）只是简单的单神经网络，深层孪生网络算法??（Ｄｅｅｐｅｒ?ａｎｄ?Ｗｉｄｅｒ?Ｓｉａｍｅｓｅ?Ｎｅｔｗｏｒｋｓ，?ＳｉａｍＤＷ）算法使用更深的网络作为主??干网络。利用多层特征融合提髙孪生神经网络的跟踪性能值得深入研究。本??章将介绍基于多层融合的孪生网络跟踪算法。??２．１基于孪生神经网络的目标跟踪算法??孪生神经网络常用来衡量两个输入的相似度，神经网络将输入映射到特??征空间，通过比较特征空间的向量度量输入的相似度。孪生神经网络通过共??享网络权重，分别对输入进行计算，并对两个特征输出优化目标函数，如图??２－１。在目标跟踪中，两个输入分别是跟踪目标与搜索区域图像。图像直接??比较相似度是非常困难的，但在深度网络特征空间中变得非常容易，这是由??深度神经网络的特性所决定的。在目标跟踪中目标函数优化的目标是样本标??签与网络预测值均方误差（Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ，?ＭＳＥ）最校??ｌｏｓｓ??Ｗｅｉｇｈｔｓ??Ｎｅｔ?１??Ｉｎｐｕｔ?１?Ｉｎｐｕｔ?２??图２－１孪生神经网络??１１??
网络具有丰富的特征信息，网络浅层的输出具有更多的底层视觉信??息，如纹理、颜色、形状等，有助于确定特定的对象的位置。而神经网络最??深层的输出包含更多的语义信息，可以区分目标与背景。特征融合在多个不??同场景不同任务下取得了良好的效果，如目标识别［２６］、人体检测［２７］、活动定??位防］。许多方法结合多重深度特性来提高模型表示能力，Ｓｈｒｉｖａｓｔａｖａ等人提??出了自下而上的深度特征融合方法，旨在通过利用顶层的语义特征和自下而??上的底层特征得到最终包含多层特征的输出［２９］。如图２－４所示，该方法主要??结构是两部分，一部分是由自顶而下的模块传递高层语义信息来指导低层特??征的学习，另一部分是横向模块需要转换自底向上的特征和融合横向的特??征。??自底向上特征??Ｌａｔｅｒａｌ??ｍｏｄｕｌｅ??Ｉ??输出?＾—?Ｔ〇Ｐ－？，ｗｎ?＾＾｜?Ｔｏｐｊｏｗｎ?＾?自顶向下特征??ｗ?４?ｍｏｄｕｌｅ?ｍｏｄｕｌｅ??图２－４自顶向下的深度特征融合??本文在张志鹏提出的ＣＩＲ单元［２５］基础上，结合多层融合的方法，提出了??基于多层融合的孪生网络跟踪算法。算法采用ＣＩＲｅｓＮｅｔ作为主干网络，网??络结构如表２－１所示。ＣＩＲｅｓＮｅｔ由三个卷积模块构成，Ｃｏｎｖｌ包含一个７ｘ７??的卷积层和一个２ｘ２的池化层，Ｃｏｎｖｌ主要是为了减小输入尺寸，减少计算??量，Ｃｏｎｖ２与Ｃｏｎｖ３包含多个卷积组合成的残差模块，其区别是通道数是递??增关系。相比于ＳｉａｍｅｓｅＦＣ，?ＣＩＲｅｓＮｅｔ网络层数更深，增加的残差模块可以??更好的学习图像特征，解决了深层网络梯度消失的问题，并提高了模型训练??的收敛速度。??
【参考文献】：
期刊论文
[1]基于深度学习的多船舶目标跟踪与流量统计[J]. 冼允廷,邱伟健. 微型电脑应用. 2020(03)
[2]基于多特征融合的高速路车辆多目标跟踪算法研究[J]. 胡随芯,常艳昌,杨俊,章振原. 汽车技术. 2020(09)
[3]深度学习的目标跟踪算法综述[J]. 李玺,查宇飞,张天柱,崔振,左旺孟,侯志强,卢湖川,王菡子. 中国图象图形学报. 2019(12)
[4]基于深度学习的行人数量统计方法[J]. 杨亦乐,高玮玮,马晓峰,蒋晓. 软件. 2019(11)
[5]基于深度学习与信息融合的多目标跟踪[J]. 刘朝涛,宋鹏宇,狄科宏. 工业控制计算机. 2019(10)
[6]目标跟踪算法综述[J]. 孟琭,杨旭. 自动化学报. 2019(07)
[7]卡尔曼滤波计算方法研究进展[J]. 张友民,戴冠中,张洪才. 控制理论与应用. 1995(05)
本文编号：3623363
【文章来源】：山东大学山东省211工程院校985工程院校教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图１－２基于深度学习目标跟踪算法分类??
?山东大学硕士学位论文???第２章基于多层融合的孪生网络跟踪算法??目标检测中多层特征融合是一个重要的提升性能的方法，神经网络浅层??具有更多的纹理等底层特征，而高层具有更多的语义特征，结合底层与顶层??的特征能够更好的反映目标的特征。辛生网络算法（Ｆｕｌｌｙ－Ｃｏｎｖｏｌｕｔｉｏｎａｌ??Ｓｉａｍｅｓｅ?Ｎｅｔｗｏｒｋｓ，?ＳｉａｍｅｓｅＦＣ）只是简单的单神经网络，深层孪生网络算法??（Ｄｅｅｐｅｒ?ａｎｄ?Ｗｉｄｅｒ?Ｓｉａｍｅｓｅ?Ｎｅｔｗｏｒｋｓ，?ＳｉａｍＤＷ）算法使用更深的网络作为主??干网络。利用多层特征融合提髙孪生神经网络的跟踪性能值得深入研究。本??章将介绍基于多层融合的孪生网络跟踪算法。??２．１基于孪生神经网络的目标跟踪算法??孪生神经网络常用来衡量两个输入的相似度，神经网络将输入映射到特??征空间，通过比较特征空间的向量度量输入的相似度。孪生神经网络通过共??享网络权重，分别对输入进行计算，并对两个特征输出优化目标函数，如图??２－１。在目标跟踪中，两个输入分别是跟踪目标与搜索区域图像。图像直接??比较相似度是非常困难的，但在深度网络特征空间中变得非常容易，这是由??深度神经网络的特性所决定的。在目标跟踪中目标函数优化的目标是样本标??签与网络预测值均方误差（Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ，?ＭＳＥ）最校??ｌｏｓｓ??Ｗｅｉｇｈｔｓ??Ｎｅｔ?１??Ｉｎｐｕｔ?１?Ｉｎｐｕｔ?２??图２－１孪生神经网络??１１??
网络具有丰富的特征信息，网络浅层的输出具有更多的底层视觉信??息，如纹理、颜色、形状等，有助于确定特定的对象的位置。而神经网络最??深层的输出包含更多的语义信息，可以区分目标与背景。特征融合在多个不??同场景不同任务下取得了良好的效果，如目标识别［２６］、人体检测［２７］、活动定??位防］。许多方法结合多重深度特性来提高模型表示能力，Ｓｈｒｉｖａｓｔａｖａ等人提??出了自下而上的深度特征融合方法，旨在通过利用顶层的语义特征和自下而??上的底层特征得到最终包含多层特征的输出［２９］。如图２－４所示，该方法主要??结构是两部分，一部分是由自顶而下的模块传递高层语义信息来指导低层特??征的学习，另一部分是横向模块需要转换自底向上的特征和融合横向的特??征。??自底向上特征??Ｌａｔｅｒａｌ??ｍｏｄｕｌｅ??Ｉ??输出?＾—?Ｔ〇Ｐ－？，ｗｎ?＾＾｜?Ｔｏｐｊｏｗｎ?＾?自顶向下特征??ｗ?４?ｍｏｄｕｌｅ?ｍｏｄｕｌｅ??图２－４自顶向下的深度特征融合??本文在张志鹏提出的ＣＩＲ单元［２５］基础上，结合多层融合的方法，提出了??基于多层融合的孪生网络跟踪算法。算法采用ＣＩＲｅｓＮｅｔ作为主干网络，网??络结构如表２－１所示。ＣＩＲｅｓＮｅｔ由三个卷积模块构成，Ｃｏｎｖｌ包含一个７ｘ７??的卷积层和一个２ｘ２的池化层，Ｃｏｎｖｌ主要是为了减小输入尺寸，减少计算??量，Ｃｏｎｖ２与Ｃｏｎｖ３包含多个卷积组合成的残差模块，其区别是通道数是递??增关系。相比于ＳｉａｍｅｓｅＦＣ，?ＣＩＲｅｓＮｅｔ网络层数更深，增加的残差模块可以??更好的学习图像特征，解决了深层网络梯度消失的问题，并提高了模型训练??的收敛速度。??
【参考文献】：
期刊论文
[1]基于深度学习的多船舶目标跟踪与流量统计[J]. 冼允廷,邱伟健. 微型电脑应用. 2020(03)
[2]基于多特征融合的高速路车辆多目标跟踪算法研究[J]. 胡随芯,常艳昌,杨俊,章振原. 汽车技术. 2020(09)
[3]深度学习的目标跟踪算法综述[J]. 李玺,查宇飞,张天柱,崔振,左旺孟,侯志强,卢湖川,王菡子. 中国图象图形学报. 2019(12)
[4]基于深度学习的行人数量统计方法[J]. 杨亦乐,高玮玮,马晓峰,蒋晓. 软件. 2019(11)
[5]基于深度学习与信息融合的多目标跟踪[J]. 刘朝涛,宋鹏宇,狄科宏. 工业控制计算机. 2019(10)
[6]目标跟踪算法综述[J]. 孟琭,杨旭. 自动化学报. 2019(07)
[7]卡尔曼滤波计算方法研究进展[J]. 张友民,戴冠中,张洪才. 控制理论与应用. 1995(05)
本文编号：3623363
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3623363.html
