隨著科技水平的發(fā)展,人工智能、AI機(jī)器人等一系列深度學(xué)習(xí)方面的研究進(jìn)入了高速發(fā)展的時(shí)期,眾多領(lǐng)域內(nèi),計(jì)算機(jī)視覺(jué)都出演著重大角色,例如在深度學(xué)習(xí)領(lǐng)域中的人臉識(shí)別、車輛追蹤、物品識(shí)別等方面更是凸顯出其重要性。算法的創(chuàng)新與大量的已標(biāo)注數(shù)據(jù)集是實(shí)現(xiàn)深度學(xué)習(xí)創(chuàng)新前進(jìn)的基礎(chǔ),現(xiàn)有的標(biāo)注方式對(duì)于數(shù)據(jù)集處理需要消耗大量的人力和時(shí)間,一定程度減慢研究進(jìn)展,通過(guò)對(duì)這一過(guò)程的改進(jìn),能夠節(jié)省大量人力和時(shí)間,提高深度學(xué)習(xí)的科研效率。提高數(shù)據(jù)集的標(biāo)注處理過(guò)程是一個(gè)極具挑戰(zhàn)性的研究?jī)?nèi)容,在本文中為了驗(yàn)證性能對(duì)cvpr2013視頻序列數(shù)據(jù)集進(jìn)行了標(biāo)注測(cè)試。對(duì)數(shù)據(jù)集進(jìn)行分析后,發(fā)現(xiàn)視頻中的內(nèi)容為連續(xù)內(nèi)容,同一個(gè)事物在視頻中的連續(xù)幀中會(huì)連續(xù)出現(xiàn),但也存在遮擋、半遮擋、變形、光暗變化等情況。基于此種情況,本文采取多目標(biāo)跟蹤的方式對(duì)視頻中的事物進(jìn)行跟蹤處理,對(duì)每一幀得到的跟蹤結(jié)果進(jìn)行分析處理,將結(jié)果進(jìn)行保存,便到了對(duì)應(yīng)幀的標(biāo)注結(jié)果。鑒于視頻幀中,指定目標(biāo)存在著多種情況需要進(jìn)行處理,并且標(biāo)注過(guò)程需要提高工作效率,減少標(biāo)注耗時(shí)等,因此本文在算法使用上通過(guò)對(duì)公開(kāi)算法的測(cè)試,選擇了 KCF目標(biāo)跟蹤算法,并對(duì)該算法進(jìn)行優(yōu)化改進(jìn),使其適... 

【文章來(lái)源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

KCF算法整體流程圖

西安理工大學(xué)碩士學(xué)位論文82.2HOG特征KCF目標(biāo)跟蹤算法在原文中提到了兩種特征——HOG特征和Gray特征兩者，Gray特征的整體計(jì)算過(guò)程比較簡(jiǎn)單，不詳細(xì)描述和介紹該特征，主要關(guān)注放在HOG特征以及降維得到的FHOG特征上。2.2.1HOG特征有學(xué)者在學(xué)術(shù)會(huì)議上提出了HOG（梯度方向直方圖）特征，這種特征經(jīng)常性的應(yīng)用于模式識(shí)別、圖像識(shí)別等領(lǐng)域當(dāng)中，是一種能夠在人體檢測(cè)中對(duì)目標(biāo)進(jìn)行圖像描述的特征，是一種對(duì)圖像的局部紋理能夠進(jìn)行描述的特征，描述圖像局部梯度方向和梯度強(qiáng)度分布特性[26]。對(duì)于HOG特征的應(yīng)用最早見(jiàn)于行人檢測(cè)，在之后的研究發(fā)展中，逐步在目標(biāo)識(shí)別、檢測(cè)等領(lǐng)域發(fā)揮出了重要作用。對(duì)于目標(biāo)圖像，HOG特征對(duì)其依據(jù)塊或單元的形式進(jìn)行劃分，對(duì)每個(gè)塊或單元需要計(jì)算其單獨(dú)的方向梯度，再重新排列所有塊或者單元的方向梯度。不同的實(shí)際提取圖像需求，導(dǎo)致HOG特征存在著不同的提取圖像特征的方式，例如通過(guò)灰度圖像提取特征或者RGB彩色圖像提取特征。比如，算法中特征提取是基于灰度圖像的，那么對(duì)于輸入的彩色圖像，首先進(jìn)行的操作便是將其轉(zhuǎn)換為灰度圖像，計(jì)算HOG特征。反之，亦然。HOG特征流程如圖2-2所示。圖2-2HOG特征流程圖Fig.2-2HOGfeatureflowchartHOG特征的實(shí)現(xiàn)如下：

西安理工大學(xué)碩士學(xué)位論文10圖2-3梯度方向直方圖計(jì)算示例Fig.2-3Exampleofgradientdirectionhistogramcalculation5）梯度方向直方圖的歸一化操作：相鄰的4個(gè)單元進(jìn)行組合，對(duì)形成的組合計(jì)算梯度方向直方圖，組合后稱為一個(gè)塊，每一個(gè)塊都需要進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化函數(shù)有四個(gè)，其中L2-NormwithHysteresisthreshold方法簡(jiǎn)單且在檢測(cè)中效果相對(duì)較好，因此采用該方法，公式（2-6）所示如下。222evvf（2-6）6）最終得到HOG特征，其大小為36維。2.2.2FHOG特征在KCF算法原文和本論文中利用到的FHOG特征是在HOG特征的基礎(chǔ)上，為減少數(shù)據(jù)冗余而改進(jìn)的，對(duì)于維度達(dá)到36維的HOG特征來(lái)說(shuō)，數(shù)據(jù)冗余的現(xiàn)象是存在的[29][30]。由HOG特征通過(guò)降維操作得到FHOG特征在KCF算法原文中利用到的便是PCA降維法，在相關(guān)文獻(xiàn)[31]中也提出使用PCA降維法對(duì)HOG特征進(jìn)行降維，降維后的FHOG特征保持了之前HOG特征的性能[31]。36維HOG特征的特征值如圖2-4[26]。圖2-4主成分示意圖[26]Fig.2-4Principalcomponentdiagram[26]在圖2-4中，9行4列的矩陣圖能夠代表36維的HOG特征，針對(duì)其中的圖，即每個(gè)特征值，進(jìn)行觀察，發(fā)現(xiàn)在高緯度的11個(gè)特征值幾乎囊括了全部特征值擁有的內(nèi)容，為了降低參數(shù)的個(gè)數(shù)，減少計(jì)算復(fù)雜度，采用了低緯度的11個(gè)向量。

【參考文獻(xiàn)】：
期刊論文
[1]多特征自適應(yīng)融合的軍事偽裝目標(biāo)跟蹤[J]. 李科,徐克虎,張波.  計(jì)算機(jī)工程與應(yīng)用. 2012(34)
[2]粒子濾波評(píng)述[J]. 程水英,張劍云.  宇航學(xué)報(bào). 2008(04)

碩士論文
[1]基于KCF的目標(biāo)跟蹤算法改進(jìn)及GPU系統(tǒng)實(shí)現(xiàn)[D]. 劉金花.西安電子科技大學(xué) 2017
[2]軍事運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤研究[D]. 張麗.東北大學(xué) 2009



本文編號(hào)：2963631