目標(biāo)跟蹤在現(xiàn)代社會的生活和生產(chǎn)中有著廣泛的應(yīng)用需求,而且隨著智能化發(fā)展,視覺目標(biāo)跟蹤的應(yīng)用領(lǐng)域更是不斷擴(kuò)大。隨著此領(lǐng)域研究的深入,一些關(guān)鍵性難題逐漸呈現(xiàn)了出來。比如目標(biāo)自身的變化（如形態(tài)變化）和外界環(huán)境的變化（如光照變化）等。這些復(fù)雜的干擾因素在很大程度上會影響目標(biāo)跟蹤的效果,甚至導(dǎo)致跟蹤失敗。對于一般意義的目標(biāo)跟蹤應(yīng)用,需要第一幀的目標(biāo)位置信息,該信息主要通過手動給出,無法滿足自動化需求。對于工業(yè)應(yīng)用來說,在特定環(huán)境下目標(biāo)種類通常是一定的,因此可以利用深度學(xué)習(xí)的方法來檢測出目標(biāo)物,進(jìn)而實(shí)現(xiàn)工業(yè)自動化檢測與跟蹤。本文開展了利用深度學(xué)習(xí)進(jìn)行特定目標(biāo)檢測訓(xùn)練相關(guān)內(nèi)容的研究。針對上述復(fù)雜干擾因素下的目標(biāo)跟蹤問題,本文研究了一種基于最小勢壘距離（MBD）和時(shí)空上下文（STC）學(xué)習(xí)模型的跟蹤方法。該方法對圖像噪聲和模糊特性具有較強(qiáng)的魯棒性,并且可以通過Dijkstra-like算法進(jìn)行近似計(jì)算,從而實(shí)現(xiàn)快速計(jì)算。實(shí)現(xiàn)過程中,采用MBD變換來測量上下文像素的權(quán)重,并基于貝葉斯框架來確定目標(biāo)及其周圍區(qū)域之間的時(shí)空關(guān)系,以此來估計(jì)目標(biāo)的最可能位置。針對原STC更新模型容易發(fā)生崩潰的問題,本文提出了一種... 

【文章來源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

國內(nèi)外無人駕駛汽車

出則由最后的全連接層完成。 整個(gè) yolo 算法對圖像的處理過程非常簡單，如圖 3-1 所示，對于輸入的不同大小的圖像，模型會先將輸入的圖片調(diào)整到統(tǒng)一的規(guī)格大小，隨后對調(diào)整后的圖像運(yùn)行單個(gè)卷積神經(jīng)網(wǎng)絡(luò)，最后通過模型的置信度來對檢測到的結(jié)果進(jìn)行閾值處理，從而判斷輸入的圖片里是否包含目標(biāo)物。判斷目標(biāo)物的有無也是通過閾值對比的方式進(jìn)行的，比如某一區(qū)域被判定為某一目標(biāo)的可能性為 ，如果這個(gè)值大于設(shè)定的閾值，那么就認(rèn)為此區(qū)域是這種目標(biāo)物，如果小于此閾值就認(rèn)為此區(qū)域不是此種目標(biāo)物。當(dāng)某一區(qū)域被判定成某一目標(biāo)時(shí)，模型便會框選出此區(qū)域，并給出判斷成的目標(biāo)以及可能性。

第3章基于深度學(xué)習(xí)的目標(biāo)檢測算法213.3.1制作訓(xùn)練集對于深度學(xué)習(xí)目標(biāo)檢測算法而言，進(jìn)行數(shù)據(jù)的訓(xùn)練是必不可少的，而且也是十分重要的一步。因此要想進(jìn)行訓(xùn)練就需要制作訓(xùn)練時(shí)使用的數(shù)據(jù)集即標(biāo)定好的樣本數(shù)據(jù)。為了節(jié)省訓(xùn)練所用的時(shí)間，本次訓(xùn)練一共標(biāo)記了兩種零件。在從不同角度、背景、光照等條件下對每種零件采集28張圖片。之所以采集的圖片數(shù)量較少，一方面是標(biāo)記過程需要一定的時(shí)間，如果采集的圖片較多，那么標(biāo)記需要的工作量以及時(shí)間就會比較大，而這一部分并不是本章工作的重要部分，因此在這方面沒有采集大量的訓(xùn)練圖片。除了這方面的因素外，測試使用的硬件條件也是重要的影響因素。本章內(nèi)容的所有工作內(nèi)容都是在一臺i5處理器的計(jì)算機(jī)上完成的，而且編譯、訓(xùn)練、測試都是使用這臺計(jì)算機(jī)的CPU進(jìn)行的計(jì)算，因此在這樣的硬件環(huán)境支持下，要想訓(xùn)練大量的圖片是無法實(shí)現(xiàn)的。這臺計(jì)算機(jī)的處理性能較差，如果測試大量的圖庫可能會在中途因?yàn)槟承┎淮_定因素導(dǎo)致崩潰，另外如果中途未出現(xiàn)查錯(cuò)，訓(xùn)練大量的圖片需要的時(shí)間也是非常長的，超長的訓(xùn)練時(shí)間則會影響整個(gè)工作內(nèi)容的進(jìn)度�？紤]到這些實(shí)際的因素，本章制作的數(shù)據(jù)集比較小，僅僅是為了做最基本的驗(yàn)證。本次數(shù)據(jù)集需要的圖片是通過手機(jī)進(jìn)行采集，圖片大小約為1.5M左右，尺寸為3120*4160。采集好圖片后，將這些圖片以便于讀取的方式命名。隨后通過相關(guān)軟件labelImg對每張圖片進(jìn)行標(biāo)記，標(biāo)記內(nèi)容包括被檢測物體的位置框，以及物體所屬的類別。通過標(biāo)記可以得到統(tǒng)一格式的文件信息。圖3-2labelImg操作窗口界面單張圖片的標(biāo)記流程十分簡單，首先通過已有軟件labelImg導(dǎo)入采集的圖

【參考文獻(xiàn)】：
期刊論文
[1]無人駕駛汽車發(fā)展現(xiàn)狀及未來展望[J]. 穆康樂.  電子技術(shù)與軟件工程. 2017(21)
[2]貝葉斯預(yù)測模型的應(yīng)用[J]. 陳茜.  黑龍江科技信息. 2007(03)

博士論文
[1]基于稀疏學(xué)習(xí)的視覺目標(biāo)跟蹤[D]. 馬子昂.浙江大學(xué) 2017
[2]復(fù)雜視覺場景下的行人檢測與跟蹤方法研究[D]. 劉曉輝.天津大學(xué) 2013

碩士論文
[1]復(fù)雜背景條件下運(yùn)動目標(biāo)檢測與跟蹤算法的研究[D]. 陳慶磊.天津大學(xué) 2013



本文編號：3456144