目標(biāo)檢測與視頻目標(biāo)跟蹤一直是計算機視覺領(lǐng)域的研究熱點,目前這些技術(shù)已經(jīng)廣泛應(yīng)用在交通、安防、軍事偵查等多個方面。但在小型飛行平臺這個使用場景中,由于目標(biāo)往往遠(yuǎn)離平臺,造成目標(biāo)在視野中占比小,現(xiàn)有很多算法難以達到好的效果。此外,小型飛行平臺出于載重量、續(xù)航等方面的考量,機載設(shè)備性能普遍較低,而現(xiàn)有很多算法復(fù)雜度大,難以直接移植使用。針對上述困境,本論文首先對現(xiàn)有的目標(biāo)檢測和視頻目標(biāo)跟蹤算法進行了深入分析,尋找出幾種性能較好的算法作為改進的基礎(chǔ),然后通過查閱相關(guān)領(lǐng)域的研究進展,確定了改進方向。具體研究內(nèi)容如下:(1)在目標(biāo)檢測方面,本文選擇SSD目標(biāo)檢測算法作為改進的出發(fā)點,然后參考了近年來卷積神經(jīng)網(wǎng)絡(luò)壓縮優(yōu)化方面的進展,決定采用MobileNetV2骨干網(wǎng)絡(luò)取代原有的VGG-16,構(gòu)建一個輕量級的SSD目標(biāo)檢測算法。在此基礎(chǔ)上,本文對該類型算法在小目標(biāo)檢測任務(wù)上效果差的原因進行了深入分析。然后受focal loss理論啟發(fā),將focal loss損失函數(shù)引入到算法中,通過調(diào)節(jié)focal loss函數(shù)的超參數(shù)來提高小目標(biāo)在訓(xùn)練中的權(quán)重,進而提升算法對小目標(biāo)的檢測能力,使得整個算法能更好的適...

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及面臨的問題
        1.2.1 目標(biāo)檢測算法國內(nèi)外研究現(xiàn)狀
        1.2.2 視頻目標(biāo)跟蹤算法國內(nèi)外研究現(xiàn)狀
        1.2.3 針對小型飛行平臺應(yīng)用所面臨的問題
    1.3 研究內(nèi)容及創(chuàng)新點
        1.3.1 研究內(nèi)容
        1.3.2 創(chuàng)新點
    1.4 論文結(jié)構(gòu)安排
第二章 目標(biāo)檢測算法的相關(guān)理論
    2.1 目標(biāo)檢測算法基礎(chǔ)理論
        2.1.1 預(yù)處理
        2.1.2 特征提取
        2.1.3 特征分類
    2.2 CNN理論基礎(chǔ)
        2.2.1 CNN發(fā)展簡介
        2.2.2 CNN基本結(jié)構(gòu)及理論
        2.2.3 CNN訓(xùn)練方法
    2.3 基于DCNN的目標(biāo)檢測算法
        2.3.1 Two-stage法
        2.3.2 One-stage法
第三章 基于DCNN的輕量級小目標(biāo)檢測算法
    3.1 CNN模型壓縮優(yōu)化
        3.1.1 SqueezeNet
        3.1.2 MobileNet
        3.1.3 ShuffleNet
    3.2 基于DCNN的輕量級小目標(biāo)檢測模型
        3.2.1 模型架構(gòu)
        3.2.2 Focalloss理論
        3.2.3 損失函數(shù)改進
    3.3 模型實現(xiàn)
        3.3.1 軟硬件環(huán)境介紹
        3.3.2 訓(xùn)練集制作
        3.3.3 模型構(gòu)建及訓(xùn)練
    3.4 仿真實驗及結(jié)果分析
        3.4.1 與基于InceptionV2的SSD算法比較
        3.4.2 與基于MobileNetV1的SSD算法比較
        3.4.3 與基于MobileNetV2的SSD算法比較
        3.4.4 定量對比結(jié)果
    3.5 本章小結(jié)
第四章 結(jié)合顯著性檢測的TLD視頻目標(biāo)跟蹤算法
    4.1 傳統(tǒng)的TLD目標(biāo)跟蹤算法
        4.1.1 跟蹤器
        4.1.2 檢測器
        4.1.3 學(xué)習(xí)器
    4.2 視覺顯著性目標(biāo)檢測算法
        4.2.1 視覺顯著性目標(biāo)檢測發(fā)展簡介
        4.2.2 簡單線性迭代聚類超像素分割算法詳解
        4.2.3 元胞自動機理論簡介
        4.2.4 基于元胞自動機的視覺顯著性目標(biāo)檢測算法
    4.3 結(jié)合顯著性檢測的TLD視頻目標(biāo)跟蹤算法
        4.3.1 改進后的算法流程
        4.3.2 更進一步改進
    4.4 仿真實驗及結(jié)果分析
        4.4.1 定性對比
        4.4.2 定量對比
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來研究展望
參考文獻
致謝
作者簡介



本文編號：3824497