基于深度学习的牲畜目标检测与跟踪算法研究

发布时间：2020-05-21 20:44

【摘要】：牲畜检测可从养殖场监控视频上自动获得牲畜的位置与类别信息,而牲畜跟踪则可以对视频上的牲畜个体进行持续跟踪,通过对牲畜检测跟踪进行研究有助于对养殖场的牲畜实现自动监测,降低养殖场的人力成本。目前基于传感器的监测方式由于易受碰撞干扰可靠性较差,而基于机器视觉的方法由于牲畜尺寸变化大、相似目标干扰、运动姿态变化等影响也难实现持续有效的检测跟踪。本文从机器视觉方向针对牲畜特点展开研究,主要内容如下:(1)本文继承了SSD检测算法的多尺度特征图检测思想,同时为了进一步提高算法对小尺度牲畜的检测效果,本文基于U形神经网络对层次特征进行自上而下融合以增强底层特征图的语义性。通过对比牛、羊、猪牲畜检测结果的mAP值,本文算法对不同尺度的牲畜均能实现有效检测,融合特征操作提高了对小尺度羊的检测结果。(2)本文的跟踪算法是基于孪生神经网络实现的,同时考虑到养殖场中的牲畜个体相似度较高,为了提高跟踪算法对相似目标的区分能力,本文通过在不同层次的卷积特征上分别对跟踪目标与搜索区域的相关性进行计算提出了一种层次孪生神经网络结构,最终的实验结果上表明这种层次匹配机制有效提高了对相似牲畜的区分能力。(3)为了应对牲畜运动过程中的姿态变化挑战,进一步在响应得分图基础上介绍了一种自适应模板更新机制。基于前期的有效跟踪结果对跟踪目标的动态模板进行在线更新,并将其与首帧模板一起应用于跟踪任务。这种方法削弱了首帧模板信息过时的风险,跟踪实验验证了自适应模板机制的有效性。
【图文】：

述了卷积特征层次性的特点，概述了算法实现中所使用的Ｔｅｎｓｏｒｆｌｏ架的特点。积神经网络的基本操作逡逑卷积层逡逑神经网络是一种在计算机视觉中广泛使用的网络，利用反向传播节卷积操作的相关参数，通过大规模的数据训练提高网络的特征必与具体的图片分类等任务分开进行训练，大大提高了计算机视发进度，相对于传统的人工特征提取算子更为便捷且具有更为出色力。卷积层在深度学习领域具有举足轻重的地位，在深度神经网络十的操作都是与卷积层的设计相关，其直接决定了相关任务算法，２０１２年Ｋｒｉｚｈｅｖｓｋｙ基于深度卷积yL经网络搭建的ＡｌｅｘＮｅｔ网积网络的有效性。逡逑

作处理多大尺寸的输入特征，卷积核的通道数与输入特征层的通道数一致，不需逡逑要人为指定。另外一个容易弄混的概念是经过卷积层操作之后的特征图的通道数逡逑是与卷积核的数目一致的，与卷积核的尺寸大小无关。如上图２．１所示，卷积核逡逑的尺寸与左侧小矩形尺寸一致，经过一个卷积核一次计算计算后就得到一个小圆逡逑形，而圆形的个数为经处理之后的输出特征图通道数，每个小圆形也对应一个不逡逑同卷积核，，如果将一个卷积核看成一种特征提取方式，则通过定义大量卷积核逡逑我们就可以在每层学到图片上不同的特征了，这是传统人工定义的固定式特征提逡逑取算子所不能实现的。图２．２以２维张量上的卷积运算为例具体演示了卷积操作。逡逑输入邋｜逦逡逑ａ邋ｂ邋ｃ逡逑００邋０逦一ｉ一＾逦逡逑￣ｇ］邋［１１１邋ｎｉｌ逦ａｗ＋ｂｘ＋逦ｂｗ＋ｃｘ＋逡逑逦＾邋ｄｙ＋ｅｚ邋ｅｙ＋ｆｚ逡逑［ｗ邋Ｉ邋ｘ逦ｄｗ＋ｅｘ＋逦ｅｗ＋ｆｘ＋逡逑ｒｎｒＴＩ逦ｇｙ＋ｈｚ逦ｈｙ＋ｉｚ逡逑卷积核逡逑图２．２二维卷积核操作逡逑在早期的全连接网络结构中，当前特征层的每个神经元都与输入特征层的每逡逑个神经元相连，这直接导致全连接网络参数过多的问题，当基于全连接网络搭建逡逑深层网络时神经网络参数更是呈现爆炸式增长，，在实际训练时这易导致过拟合的逡逑风险。假如我们对一张１００像素Ｘ邋１００像素的单通道黑白图片进行处理
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S818.9;TP391.41

【相似文献】

相关期刊论文 前10条

1 李康乐;;算法“塑造世界”客观吗[J];中国报业;2018年11期

2 ;聚焦核心素养案例研讨专题二:体验编程计算,初步了解算法[J];中国信息技术教育;2017年08期

3 李亚娟;刘建贞;张兴刚;邓重阳;;结合科研的计算机辅助几何设计教学[J];数学学习与研究;2017年17期

4 何克晶;张星明;郑运平;;算法设计与分析课程全方位实践教学改革探索[J];计算机教育;2017年02期

5 李勇;;基于实践性教学的《算法设计与分析》教学研究[J];曲靖师范学院学报;2015年06期

6 张远平;邱丽娜;;在算法设计与分析课程教学中融入计算思维[J];价值工程;2016年08期

7 秦丹;;算法设计与分析教学常见问题分析[J];电脑知识与技术;2014年24期

8 黄如兵;杨鹤标;;算法设计与分析课程的教学与实践探索与研究[J];科教文汇(上旬刊);2015年03期

9 纪颖;;算法设计与分析课程教学改革探讨[J];黑龙江教育学院学报;2014年08期

10 李秦;;建构主义教学模式与算法设计与分析课程教学[J];甘肃科技;2013年24期

相关会议论文 前10条

1 王辉;刘治昌;;用一种新算法设计的安全系统[A];2007年中国智能自动化会议论文集[C];2007年

2 雷咏梅;;椭圆曲线密码体制的算法设计与实现[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年

3 韩进宏;张先峰;王运凯;;表面粗糙度频谱分析C++算法设计[A];2007'中国仪器仪表与测控技术交流大会论文集（二）[C];2007年

4 高文超;孙宇清;韩冬雪;;一种改进的素数寻找问题的算法设计与实现[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

5 杨俊;关旭东;;板形控制液压弯辊系统的特性分析与控制算法设计[A];1996中国控制与决策学术年会论文集[C];1996年

6 黄翔东;李海亮;王玲;;光时域反射仪的事件检测算法设计[A];第六届全国信号和智能信息处理与应用学术会议论文集[C];2012年

7 徐子珊;;《算法设计与分析》课程中的工程教育[A];2005年全国理论计算机科学学术年会论文集[C];2005年

8 李皓;罗熊;;云存储部署优化的进化算法设计[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

9 宋琦;陈璞;;有限元分析中结构修改的算法设计[A];北京力学会第18届学术年会论文集[C];2012年

10 杨利容;;用优化算法设计双工器[A];中国航海学会通信导航专业委员会2005年学术年会论文集[C];2005年

相关重要报纸文章 前8条

1 赵丹;大数据算法的困境[N];学习时报;2017年

2 ;算法设计的策略[N];电脑报;2003年

3 武卫;通过算法来思考世界[N];财会信报;2018年

4 陆峰;大数据健康发展需要新机制护航[N];学习时报;2019年

5 李健 周胜利;懂算法才能打“算法战”[N];解放军报;2019年

6 本报记者 霍光;从算法设计角度推进网络节能[N];中国计算机报;2012年

7 林东;迎接算法决定战法的时代[N];解放军报;2018年

8 胡捷递　记者 姜雪松;“计算机奥运会”将在哈举行[N];哈尔滨日报;2010年

相关博士学位论文 前10条

1 王子玉;网络异常检测算法研究[D];清华大学;2017年

2 陈培;探测复杂疾病临界点的算法[D];华南理工大学;2018年

3 李莹玉;基于分布式ADMM算法的无线网络资源管理与大数据分析[D];西安电子科技大学;2018年

4 蒋海青;开放式低碳选址—路径模型及其算法研究[D];浙江工业大学;2019年

5 张雪;图像处理中的若干非凸建模，算法及应用[D];上海交通大学;2017年

6 王普;多标记学习算法研究及在生物医学数据挖掘中的应用[D];中国科学院大学(中国科学院深圳先进技术研究院);2017年

7 陈宁涛;基于二分技术的高效算法设计及其应用[D];华中科技大学;2006年

8 张磊;约束优化算法的关键技术研究及应用[D];哈尔滨工程大学;2016年

9 孙贺;算法设计中的若干前沿问题[D];复旦大学;2009年

10 刘院英;社会网络影响最大化方法研究[D];燕山大学;2017年

相关硕士学位论文 前10条

1 房永峰;基于深度学习的牲畜目标检测与跟踪算法研究[D];中国科学技术大学;2019年

2 忻晓雯;LTE系统资源分配的算法研究[D];上海交通大学;2017年

3 夏志雄;动力电池管理单元及其SOC估算算法的研究与实现[D];武汉理工大学;2018年

4 初星汉;基于蚁群算法的专家抽取系统设计与实现[D];大连理工大学;2018年

5 刘凌云;基于Q-学习算法的序列决策模型研究[D];河北大学;2019年

6 李鹏清;基于SimRank及密度的聚类算法[D];广西师范大学;2019年

7 张煜;强化学习中基于函数逼近的多步统一算法研究[D];浙江大学;2019年

8 杨欣;基于正交化学反应优化算法的社团检测研究与实现[D];河南大学;2018年

9 曾凤华;护士周排班算法研究及其系统实现[D];华南理工大学;2018年

10 刁泽浩;自由活体动物的动态跟踪算法研究[D];河北大学;2018年

本文编号：2674877