作為計算機視覺領域中的一個重要研究方向,視覺目標跟蹤技術目前已在自動駕駛、城市交通、人機交互、AI（Artificial intelligence）醫(yī)療等眾多領域得到了廣泛的應用。但是,由于實際場景中背景復雜以及目標自身變化不確定等諸多不定因素的存在,使得多數(shù)傳統(tǒng)跟蹤算法均不能有效地實現(xiàn)目標轉態(tài)的估計。同時,當前的基于深度學習的算法雖然實現(xiàn)了高精度的目標跟蹤,但實時性通常不夠好。由此,跟蹤的關鍵在于如何在保證執(zhí)行效率的前提下,自適應地應對跟蹤過程中目標外觀的變化和被遮擋問題。為解決上述問題,本文深入研究了基于卷積神經(jīng)網(wǎng)絡和傳統(tǒng)低層圖像特征提取方法,提出一種基于深度特征共享的關鍵點匹配與跟蹤算法,將包含圖像語義信息和空間結構信息的高層卷積特征與傳統(tǒng)具有高分辨率的低層特征算子進行結合,在提高了算法表征目標的能力之外,能夠實現(xiàn)對目標的快速精確定位。以下是本文主要研究內(nèi)容及創(chuàng)新點:（1）跟蹤框架的創(chuàng)新突破了目前多數(shù)跟蹤算法僅基于傳統(tǒng)人工設計特征或基于高層深度圖像特征來完成目標跟蹤任務的框架。首先,將從離線網(wǎng)絡中提取的深度圖像特征進行共享,進而使用特征點匹配算法共同完成對目標的檢測過程,再與算法... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：92 頁

【學位級別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡的特征可視化示意圖

而當數(shù)據(jù)量較大且某些維度對于所處理問題的相關度不大時，就可通過 PCA降維對數(shù)據(jù)進行處理，可以減少計算量，提升整個模型的擬合速度。圖2.6 去均值與歸一化處理效果圖2.2.2 批量隨機梯度下降算法確定網(wǎng)絡結構已知后，就需進行網(wǎng)絡模型中參數(shù)的求解了。而在一個卷積神經(jīng)網(wǎng)

目標函數(shù)與參數(shù)關系示意圖

【參考文獻】：
期刊論文
[1]高斯核函數(shù)卷積神經(jīng)網(wǎng)絡跟蹤算法[J]. 汪鴻翔,柳培忠,駱炎民,杜永兆,陳智.  智能系統(tǒng)學報. 2018(03)
[2]遷移學習研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學報. 2015(01)
[3]基于Kinect傳感器深度信息的動態(tài)手勢識別[J]. 陶麗君,李翠華,張希婧,李勝睿.  廈門大學學報(自然科學版). 2013(04)
[4]一種基于多特征聚類的粒子濾波跟蹤算法[J]. 包加桐,郭晏,唐鴻儒,宋愛國.  機器人. 2011(05)
[5]遮擋情況下目標跟蹤算法綜述[J]. 薛陳,朱明,劉春香.  中國光學與應用光學. 2009(05)
[6]圖像分割方法研究[J]. 黃長專,王彪,楊忠.  計算機技術與發(fā)展. 2009(06)

碩士論文
[1]基于RGB-D的SLAM算法研究[D]. 丁潔瓊.西安電子科技大學 2014



本文編號：3108975