計算機(jī)視覺一直以來都是一個熱門的研究領(lǐng)域,近年來,得益于人工智能的飛速發(fā)展,這一領(lǐng)域取得重大突破,尤其是在圖像識別、目標(biāo)檢測等領(lǐng)域的成績更為突出。然而,不同于較為成熟的圖像識別和目標(biāo)檢測,已經(jīng)應(yīng)用在許多現(xiàn)實場景中,目標(biāo)跟蹤領(lǐng)域雖然提出很多優(yōu)秀的算法,取得差強(qiáng)人意的發(fā)展,但要滿足實際應(yīng)用的需求,仍存在諸多問題亟待解決。由于目標(biāo)跟蹤使用的視頻序列擁有時間維度,在此過程中將面臨如光照變化、物體形變、尺度變化、遮擋、出視野等不確定因素,這也成為研究目標(biāo)跟蹤算法要克服的難點(diǎn)。論文對基于相關(guān)濾波的跟蹤算法和基于神經(jīng)網(wǎng)絡(luò)的跟蹤算法進(jìn)行了分析,提出一種基于特征補(bǔ)償?shù)母櫵惴?將基于相關(guān)濾波和基于神經(jīng)網(wǎng)絡(luò)的兩種算法通過一個邏輯回歸分類器結(jié)合,以解決前者復(fù)雜場景中效果不佳、長時間跟蹤容易污染模板和后者速度過慢的問題。在簡單的視頻場景中使用簡單且快速的特征,在復(fù)雜的視頻場景中使用表現(xiàn)更為優(yōu)秀但速度慢的卷積高層語義特征。首先,本文建立了以顏色直方圖和方向梯度直方圖為特征的相關(guān)濾波模型,以提升算法針對目標(biāo)產(chǎn)生顏色和形狀變化時的魯棒性,以及算法速度;隨后,建立一個神經(jīng)網(wǎng)絡(luò)跟蹤模型,使用卷積神經(jīng)網(wǎng)絡(luò)提取高層語義特征,...

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1目標(biāo)跟蹤流程Fig.1Targettrackingprocess

圖3-4搜索分支補(bǔ)償注意力模型

南昌航空大學(xué)碩士學(xué)位論文第3章結(jié)合補(bǔ)償注意力機(jī)制的實時跟蹤算法31且均為每層最后輸出的特征圖。理論上對特征提取網(wǎng)絡(luò)更深層的特征計算注意力既能避免特征冗余，又能減少計算量。本文做了大量實驗驗證這一論點(diǎn)，最終選擇了conv3層、conv4層，圖3-3所示證明了后兩層的特征圖更能區(qū)分目....

圖1.7視覺測量系統(tǒng)

9系統(tǒng)由兩臺攝像機(jī)、外參校準(zhǔn)棒、測量光筆、測量軟件組成，其測量范圍為1.5m-10m，長度測量的精度指標(biāo)有±0.020mm/2.5m、±0.03mm/6m、±0.06mm/10m，如圖1.7(b)。類似的高精度多目測量系統(tǒng)還有AICON3D公司的DPA系統(tǒng)、美國VisionRes....

本文編號：4041263