發(fā)布時(shí)間：2024-04-25 01:06

　　基于計(jì)算機(jī)視覺(jué)的目標(biāo)跟蹤已應(yīng)用在智能監(jiān)控、智能交通、人機(jī)交互、安保機(jī)器人中。單目標(biāo)跟蹤是在視頻初始幀給定跟蹤目標(biāo)的位置和大小,然后在接下來(lái)的視頻幀中對(duì)目標(biāo)進(jìn)行跟蹤。本文跟蹤的目標(biāo)是人,而人屬于非剛體,相對(duì)于剛體(汽車(chē)、自行車(chē))容易發(fā)生形變。由于形變的方向和大小是無(wú)法預(yù)測(cè)的,很難使用幾何形狀來(lái)描述人的形變。多人場(chǎng)景比單人場(chǎng)景要復(fù)雜些,多人場(chǎng)景下人與人容易發(fā)生遮擋,這會(huì)使得跟蹤的魯棒性有所下降。針對(duì)以上問(wèn)題,本文對(duì)現(xiàn)有的目標(biāo)跟蹤算法進(jìn)行了深入的研究,主要工作如下:(1)針對(duì)背景干擾和目標(biāo)人會(huì)發(fā)生形變的問(wèn)題,提出一種基于注意力機(jī)制與多層深度特征融合的目標(biāo)人跟蹤模型(Multi-Layer Depth Feature and ChannelSpace Attention,MLDF-CSA)。該模型首先將卷積的高層語(yǔ)義特征和低層視覺(jué)特征進(jìn)行加權(quán)融合,然后經(jīng)過(guò)通道-空間注意力模塊,給目標(biāo)特征賦予較高的權(quán)重,背景特征賦予較低的權(quán)重。使用logistic與中心損失函數(shù)組成的多損失函數(shù)訓(xùn)練模型。實(shí)驗(yàn)結(jié)果表明,本文提出的MLDF-CSA與其他主流的跟蹤算法相比,其目標(biāo)跟蹤的成功率和精確度都有較明顯的提高,...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1目標(biāo)跟蹤應(yīng)用領(lǐng)域

武漢理工大學(xué)碩士學(xué)位論文2交通擁擠、提高道路行駛的安全性、方便居民出行。其中，對(duì)道路上車(chē)輛和行人的跟蹤與監(jiān)控獲取的基礎(chǔ)信息在智能系統(tǒng)中起著至關(guān)重要的作用，因?yàn)楂@取的基礎(chǔ)信息有助于智能交通系統(tǒng)控制與決策。因?yàn)閭鹘y(tǒng)交通系統(tǒng)的很多工作都是由人工來(lái)完成的，采用自動(dòng)化的方式將會(huì)減少大量的人....

圖2-1視頻序列

督學(xué)習(xí)到的跟蹤目標(biāo)類(lèi)間的特征是可區(qū)分的，但是由于人會(huì)發(fā)生形變等原因?qū)е氯说奶卣鲿?huì)發(fā)生顯著的變化，可能會(huì)導(dǎo)致目標(biāo)類(lèi)內(nèi)的距離大于類(lèi)間的距離。Wen等人[25]發(fā)現(xiàn)有的樣本的類(lèi)內(nèi)距離大于類(lèi)間距離。為了減少類(lèi)內(nèi)的距離，Wen等人提出了中心損失函數(shù)，并將其與深度卷積網(wǎng)絡(luò)相結(jié)合用在人臉識(shí)別中....

圖2-2女孩圖像（左）與人類(lèi)在觀察時(shí)的注意力分布（右）

武漢理工大學(xué)碩士學(xué)位論文13SiamFC網(wǎng)絡(luò)中的高層和低層的卷積特征進(jìn)行融合，然后將融合的特征通過(guò)通道-空間注意力模塊，給目標(biāo)的特征賦予較高的權(quán)重，背景特征賦予較低的權(quán)重。同時(shí)使用中心損失函數(shù)與logistic損失函數(shù)組合的多損失函數(shù)來(lái)離線訓(xùn)練網(wǎng)絡(luò)，提高跟蹤器的判別性。2.2注意....

圖2-3序列注意力機(jī)制圖

武漢理工大學(xué)碩士學(xué)位論文14位置。比如從輸入的特征中裁剪一塊指定的區(qū)域，然后將該區(qū)域作為注意力作用的最后結(jié)果。硬注意力的不足之處在于其采用離散的位置來(lái)選擇信息，導(dǎo)致注意力函數(shù)作用的在網(wǎng)絡(luò)中是不可導(dǎo)的，這就使得硬注意力無(wú)法在神經(jīng)網(wǎng)絡(luò)中進(jìn)行端到端的訓(xùn)練。注意力機(jī)制可以理解為從大量信息....

本文編號(hào)：3963772