特定動態(tài)小目標快速識別與跟蹤技術研究
發(fā)布時間：2021-08-29 17:34
特定動態(tài)目標識別與跟蹤在視頻監(jiān)視等方面具有重要的應用,近年機器學習技術以及卷積神經(jīng)網(wǎng)路的發(fā)展極大地推動了特征提取以及圖像的模式識別技術發(fā)展。本課題主要基于卷積神經(jīng)網(wǎng)絡技術并輔以卡爾曼濾波,匈牙利等傳統(tǒng)算法旨在特定小目標的快速檢測識別,以及動態(tài)特定目標的跟蹤方面展開研究。主要研究內容如下:介紹了常用于目標檢測的特征提取算法。主要從特征提取速度以及適用范圍進行了總結,指出了與傳統(tǒng)特征提取算法進行相比,使用卷積神經(jīng)網(wǎng)絡進行特定的目標提取能夠具有較好的特征提取效果并且有較快的速度能夠適用于特定小目標的快速識別過程。建立了基于卷積神經(jīng)網(wǎng)絡的針對靜態(tài)特定小目標的檢測器。從具體的實驗目的出發(fā),構建了包含飛機類,鳥類以及渦輪發(fā)動機類三個類別的數(shù)據(jù)集用于網(wǎng)絡的訓練以及檢測,并且通過優(yōu)化網(wǎng)絡內部特征圖提取位置增加了網(wǎng)絡對小目標的識別效果,增加新的決策規(guī)則增加網(wǎng)絡對特定類別的識別準確程度。通過聯(lián)合卡爾曼濾波器以及匈牙利算法,完成對基于卷積神經(jīng)網(wǎng)絡的針對靜態(tài)特定小目標的檢測器的拓展,使其能夠進行視頻中動態(tài)特定目標的快速識別與跟蹤任務。由于檢測器只對靜態(tài)特定目標進行檢測嚴重限制了其使用范圍,本文從高效的角度出發(fā)...
【文章來源】：中國工程物理研究院北京市
【文章頁數(shù)】：63 頁
【學位級別】：碩士
【圖文】：
圖１．１物體檢測和定位的ＨＯＧ特征鏈??該鏈條使用ＨＯＧ特征并且考慮比較粗糙的空間上下文信息
?特定動態(tài)小目標快速識別與跟蹤技術研究???在每個胞體中計算所有像素的一維梯度方向直方圖，將相互重疊的稠密網(wǎng)??格的直方圖結合起來就構成了該窗口最終的ＨＯＧ描繪子。ＨＯＧ描述子刻畫了??局部形狀的邊緣／梯度結構，并且對旋轉和平移有一定的魯棒性。在目標檢測的??時候，使用檢測窗口在圖像中滑動，計算所有位置和尺度下的ＨＯＧ描述子，??圖１．２?ＨＯＧ中用到的方形或者圓形塊結構??然后通過基于特征的分類器進行檢測和識別。該方法由最早由Ｄａｌａｉ等［９］提出，??使用線性核ＳＶＭ出色地完成了行人檢測任務，之后２０１７年鄒沖等人發(fā)現(xiàn)一次??檢測中僅僅使用單一分類器將很難適用各類檢測情況，提出一種組合ＳＶＭ分??類器方法，進而提高檢測率［１Ｇ］。??１．２．４積分圖像以及ｈａｒｒ－ｌｉｋｅ特征??積分圖像是一種能夠描述全局信息的矩陣表示方法。該數(shù)據(jù)結構主要用來??快速計算多尺度的簡單矩形特征，這種特征能夠用于快速的目標識別以及目標??跟蹤？。并且改進特征集還可以根據(jù)檢測的目標的不同進行擴展［１２】。??積分圖像在某一點的值是由該點以及其左上的所有像素點的和組成，具體??算法見１－５。??ｉｉ｛ｘ，ｙ）?＝?Ｚ?ｉ?（ｘ＇ｙ）??ｘ?＜ｘ，ｙ?＜ｙ??其中邱ＣＪ；）表示的是積分圖像，收勿表示的是原來的圖像。使用積分圖像??的好處在于，任何矩形的和可以使用積分圖像中的四個點來表達，具體過程??如圖１．３：??在圖１．３中，Ｄ中的像素和＝積分圖中的“１”＋“４”－（“２’’＋“３”）。使用該類特征??４??
?特定動態(tài)小目標快速識別與跟蹤技術研究???可以有效地提取行人［１４］以及人臉的特征。??Ａ?Ｂ??１?２???〇?６??Ｃ?〇??３?４???０?Ｇ??圖１．３矩形Ｄ中的像素和??［Ｔ１?□??｜?｜ｉ｜?｜??—??圖?１．４ｈａｒｒ－ｌｉｋｅ?特征??
【參考文獻】：
期刊論文
[1]基于譜圖和神經(jīng)網(wǎng)絡的通信干擾模式識別方法[J]. 張智博,樊雅玄,孟驍. 太赫茲科學與電子信息學報. 2019(06)
[2]基于Haar-like特征多分類器集成的行人檢測[J]. 齊燕舞,朱杰. 信息技術. 2017(08)
[3]組合SVM分類器在行人檢測中的研究[J]. 鄒沖,蔡敦波,劉瑩,趙娜,趙彤洲. 計算機科學. 2017(S1)
[4]基于新Haar-like特征的Adaboost人臉檢測算法[J]. 江偉堅,郭躬德,賴智銘. 山東大學學報(工學版). 2014(02)
[5]復雜環(huán)境下高效物體跟蹤級聯(lián)分類器[J]. 江偉堅,郭躬德. 中國圖象圖形學報. 2014(02)
[6]基于SIFT和SURF圖像拼接算法的改進算法[J]. 史露,蘇剛,韓飛. 計算機應用與軟件. 2013(06)
[7]基于多信息融合的駕駛員圖像面部定位[J]. 張明恒,王榮本,郭烈. 交通與計算機. 2007(02)
[8]視覺跟蹤技術綜述[J]. 侯志強,韓崇昭. 自動化學報. 2006(04)
碩士論文
[1]基于深度學習的軍事目標識別[D]. 潘浩.杭州電子科技大學 2018
[2]基于CUDA的實時目標識別系統(tǒng)的設計與實現(xiàn)[D]. 楊佳鍔.哈爾濱工業(yè)大學 2017
[3]基于ELM與HMM的序列飛機目標識別算法研究[D]. 成杰.東南大學 2017
本文編號：3371082
【文章來源】：中國工程物理研究院北京市
【文章頁數(shù)】：63 頁
【學位級別】：碩士
【圖文】：
圖１．１物體檢測和定位的ＨＯＧ特征鏈??該鏈條使用ＨＯＧ特征并且考慮比較粗糙的空間上下文信息
?特定動態(tài)小目標快速識別與跟蹤技術研究???在每個胞體中計算所有像素的一維梯度方向直方圖，將相互重疊的稠密網(wǎng)??格的直方圖結合起來就構成了該窗口最終的ＨＯＧ描繪子。ＨＯＧ描述子刻畫了??局部形狀的邊緣／梯度結構，并且對旋轉和平移有一定的魯棒性。在目標檢測的??時候，使用檢測窗口在圖像中滑動，計算所有位置和尺度下的ＨＯＧ描述子，??圖１．２?ＨＯＧ中用到的方形或者圓形塊結構??然后通過基于特征的分類器進行檢測和識別。該方法由最早由Ｄａｌａｉ等［９］提出，??使用線性核ＳＶＭ出色地完成了行人檢測任務，之后２０１７年鄒沖等人發(fā)現(xiàn)一次??檢測中僅僅使用單一分類器將很難適用各類檢測情況，提出一種組合ＳＶＭ分??類器方法，進而提高檢測率［１Ｇ］。??１．２．４積分圖像以及ｈａｒｒ－ｌｉｋｅ特征??積分圖像是一種能夠描述全局信息的矩陣表示方法。該數(shù)據(jù)結構主要用來??快速計算多尺度的簡單矩形特征，這種特征能夠用于快速的目標識別以及目標??跟蹤？。并且改進特征集還可以根據(jù)檢測的目標的不同進行擴展［１２】。??積分圖像在某一點的值是由該點以及其左上的所有像素點的和組成，具體??算法見１－５。??ｉｉ｛ｘ，ｙ）?＝?Ｚ?ｉ?（ｘ＇ｙ）??ｘ?＜ｘ，ｙ?＜ｙ??其中邱ＣＪ；）表示的是積分圖像，收勿表示的是原來的圖像。使用積分圖像??的好處在于，任何矩形的和可以使用積分圖像中的四個點來表達，具體過程??如圖１．３：??在圖１．３中，Ｄ中的像素和＝積分圖中的“１”＋“４”－（“２’’＋“３”）。使用該類特征??４??
?特定動態(tài)小目標快速識別與跟蹤技術研究???可以有效地提取行人［１４］以及人臉的特征。??Ａ?Ｂ??１?２???〇?６??Ｃ?〇??３?４???０?Ｇ??圖１．３矩形Ｄ中的像素和??［Ｔ１?□??｜?｜ｉ｜?｜??—??圖?１．４ｈａｒｒ－ｌｉｋｅ?特征??
【參考文獻】：
期刊論文
[1]基于譜圖和神經(jīng)網(wǎng)絡的通信干擾模式識別方法[J]. 張智博,樊雅玄,孟驍. 太赫茲科學與電子信息學報. 2019(06)
[2]基于Haar-like特征多分類器集成的行人檢測[J]. 齊燕舞,朱杰. 信息技術. 2017(08)
[3]組合SVM分類器在行人檢測中的研究[J]. 鄒沖,蔡敦波,劉瑩,趙娜,趙彤洲. 計算機科學. 2017(S1)
[4]基于新Haar-like特征的Adaboost人臉檢測算法[J]. 江偉堅,郭躬德,賴智銘. 山東大學學報(工學版). 2014(02)
[5]復雜環(huán)境下高效物體跟蹤級聯(lián)分類器[J]. 江偉堅,郭躬德. 中國圖象圖形學報. 2014(02)
[6]基于SIFT和SURF圖像拼接算法的改進算法[J]. 史露,蘇剛,韓飛. 計算機應用與軟件. 2013(06)
[7]基于多信息融合的駕駛員圖像面部定位[J]. 張明恒,王榮本,郭烈. 交通與計算機. 2007(02)
[8]視覺跟蹤技術綜述[J]. 侯志強,韓崇昭. 自動化學報. 2006(04)
碩士論文
[1]基于深度學習的軍事目標識別[D]. 潘浩.杭州電子科技大學 2018
[2]基于CUDA的實時目標識別系統(tǒng)的設計與實現(xiàn)[D]. 楊佳鍔.哈爾濱工業(yè)大學 2017
[3]基于ELM與HMM的序列飛機目標識別算法研究[D]. 成杰.東南大學 2017
本文編號：3371082
本文鏈接：http://www.sikaile.net/shoufeilunwen/xixikjs/3371082.html
最近更新
教材專著
