基于視覺的物體跟蹤是計算機視覺領(lǐng)域十分重要的基礎(chǔ)性研究方向。眾多基于計算機視覺的高級應用都需要物體跟蹤算法的支持,如自動駕駛、行為分析、智能監(jiān)控和人際交互等�；谝曈X的物體跟蹤任務(wù)中會遇到尺度變化、形狀變化、光照變化、快速運動以及遮擋等各種難題,同時又需要保證算法具有很好的魯棒性和實時性,因此這將是個很有挑戰(zhàn)性的難題。本文基于相關(guān)濾波的算法基礎(chǔ)之上,設(shè)計出一種準確性較高,具有很好的魯棒性,具有長時跟蹤性能,同時又能夠很好部署在嵌入式平臺上的跟蹤算法。本文的主要工作和研究內(nèi)容如下:1.綜合考慮了DCFNet跟蹤算法的優(yōu)勢和缺點,在DCFNet跟蹤算法上做了一定的修改。首先為DCFNet跟蹤算法增添了跟蹤置信度評測方法,然后制定了相關(guān)濾波層的模版更新策略。將DCFNet跟蹤算法作為局部跟蹤模塊,添加了一個全局搜索模塊,全局搜索模塊是在局部跟蹤模塊跟蹤結(jié)果的置信度比較低時才啟動。為了保證全局搜索模塊的速度,采用級聯(lián)分類器的思想,首先利用Selective Search方法篩選出可能包含目標物的矩形框,然后進行三步篩選。第一步利用上一幀目標物的尺寸篩選候選框;第二步利用前幾幀目標物的顏色特征和相...

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 主要研究工作
    1.4 論文組織結(jié)構(gòu)
第2章 視覺跟蹤算法概述
    2.1 視覺跟蹤算法基本框架介紹
    2.2 視覺跟蹤算法的評價指標
    2.3 視覺跟蹤算法的常用方法以及存在的問題
        2.3.1 生成類方法和判別類方法
        2.3.2 判別式相關(guān)濾波方法
        2.3.3 深度學習類的物體跟蹤方法
    2.4 本章小結(jié)
第3章 基于DCFNET的長時跟蹤算法
    3.1 判別式相關(guān)濾波算法
    3.2 DCFNet跟蹤算法
    3.3 基于DCFNet跟蹤算法的改進
        3.3.1 跟蹤置信度與模版更新策略
        3.3.2 全局檢測模塊
        3.3.3 實驗結(jié)果分析
    3.4 本章小結(jié)
第4章 檢測與跟蹤算法在ARM平臺上的改造與實現(xiàn)
    4.1 Jetson TK1 開發(fā)平臺介紹
    4.2 物體檢測算法
        4.2.1 物體檢測算法概述
        4.2.2 基于YOLOv3的物體檢測算法
    4.3 ncnn平臺介紹
        4.3.1 ncnn框架結(jié)構(gòu)
        4.3.2 ncnn中網(wǎng)絡(luò)參數(shù)和權(quán)重文件定義的準則
        4.3.3 ncnn中加速網(wǎng)絡(luò)層運算的方法介紹
    4.4 檢測算法在ARM平臺的改造與實現(xiàn)
    4.5 跟蹤算法在ARM平臺上的改造與實現(xiàn)
    4.6 本章小結(jié)
第5章 跟蹤算法在GPU上的加速優(yōu)化與實現(xiàn)
    5.1 跟蹤算法的性能瓶頸分析
    5.2 嵌入式平臺的NVIDIA GPU模型以及CUDA框架介紹
    5.3 卷積操作介紹
    5.4 卷積操作的加速方法
        5.4.1 在GPU上直接實現(xiàn)卷積操作
        5.4.2 利用大矩陣乘法加速卷積操作
    5.5 不同卷積加速方法在特定平臺和特定網(wǎng)絡(luò)結(jié)構(gòu)上的加速對比
    5.6 使用ncnn在ARM下加速特征提取網(wǎng)絡(luò)和在GPU下加速特征提取網(wǎng)絡(luò)的對比
    5.7 本章小結(jié)
第6章 基于QT的綜合應用程序設(shè)計與實現(xiàn)
    6.1 嵌入式圖像化應用開發(fā)環(huán)境Qt
    6.2 基于Qt的物體檢測跟蹤系統(tǒng)設(shè)計與實現(xiàn)
        6.2.1 整體的軟件框架設(shè)計
        6.2.2 各個模塊的詳細流程
    6.3 本章小結(jié)
總結(jié)與展望
致謝
參考文獻
攻讀碩士學位期間發(fā)表的論文及參與的科研項目



本文編號：4048782