欢迎来到天天文库
浏览记录
ID:23517396
大小:4.00 MB
页数:69页
时间:2018-11-08
《基于神经网络学习模型的视频目标跟踪研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、中文图书分类号:TP391密级:公开UDC:004学校代码:10005硕士学位论文MASTERALDISSERTATION论文题目:基于神经网络学习模型的视频目标跟踪研究论文作者:李凯学科:计算机科学与技术指导教师:段立娟教授论文提交日期:2017年5月UDC:004学校代码:10005中文图书分类号:TP391学号:S201407070密级:公开北京工业大学工学硕士学位论文题目:基于神经网络学习模型的视频目标跟踪研究英文题目:RESEARCHONVIDEOOBJECTTRACKINGBASEDONNEURALNETWORKLEARNINGMODEL论文作者:李凯学科专业:计算机科学与
2、技术研究方向:信息安全申请学位:工学硕士指导教师:段立娟教授所在单位:计算机学院答辩日期:2017年5月授予学位单位:北京工业大学独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得北京工业大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名:李凯日期:2017年5月23日关于论文使用授权的说明本人完全了解北京工业大学有关保留、使用学位论文的规定,即:学校有权保留送交论文的复
3、印件,允许论文被查阅和借阅;学校可以公布论文的全部或部分内容,可以采用影印、缩印或其他复制手段保存论文。(保密的论文在解密后应遵守此规定)签名:李凯日期:2017年5月23日导师签名:段立娟日期:2017年5月23日摘要摘要目标跟踪作为计算机视觉研究领域一个相当重要的方向,在智能监控、智能交通、国防军工和人机交互等众多领域得到了广泛的应用,一直以来都是研究的热点之一。近年来,目标跟踪得到了长足的发展,但是受限于一些因素的影响,如目标的形状变化、尺度变化、背景的复杂性和多样性等,对于目标跟踪的研究仍有巨大的挖掘空间。为了探索深度学习在目标跟踪领域的应用,本文进行了如下的研究工作:首先,本
4、文对目标跟踪技术的研究现状进行了全面的回顾,明确了目标跟踪目前所面临的挑战。详细介绍了基于判别式模型的目标跟踪方法,发现鲁棒的特征表达对于目标跟踪具有良好的效果。其次,本文提出了一种基于卷积神经网络学习模型的目标跟踪方法。本文对卷积神经网络结构中的pooling操作进行了详细的分析,得出了pooling操作的优缺点。Pooling操作能够在很大程度上提高网络模型的计算效率,并且使得模型对于局部形变具有良好的鲁棒性,但是却在很大程度上丢失了目标的空间结构特征,这些空间结构特征对于目标的精确定位具有良好的效果。本文对网路模型中的pooling操作进行了改进,尽可能少的使用pooling操作
5、,从而达到保留更多目标的低层结构特征。同时,为了处理由于遮挡等因素而造成的目标跟踪丢失现象,本文在跟踪模型中添加一个目标检测模块,用于在发生目标跟踪丢失的时候对目标进行重检测,提高了模型的跟踪性能。本文在OTB100数据集上对该方法进行了实验,实验结果表明,本文方法在提高跟踪正确率方面取得了良好的效果。最后,本文构建了一个融合多层卷积层特征的网络模型,提出了一种融合多层特征的目标跟踪方法。对网络各层提取的特征表达进行了可视化分析,卷积神经网络的低层能够提取到目标的一些空间结构、纹理和形状等特征,而高层则能够提取目标较为抽象的语义信息。本文将卷积神经网络的低层提取到的空间结构等信息和高层
6、提取的语义信息进行融合,并将融合后的特征表达用于对目标的分类和定位,低层的空间结构特征对于目标的精确定位具有良好的效果。本文在OTB100数据集上对该方法进行了实验分析,实验结果表明,融合多层卷积层特征的网络模型能够实现对目标的更加精确的定位。关键词:目标跟踪;卷积神经网络;空间结构特征;遮挡;特征融合-I-AbstractAbstractObjecttrackingasaveryimportantdirectioninthefieldofcomputervision,ithasbeenwidelyusedinmanyfieldssuchasintelligentmonitoring,
7、intelligenttransportation,nationaldefenseindustryandhuman-computerinteraction,andhasalwaysbeenoneofthehotspotsofresearch.Inrecentyears,objecttrackinghasbeendevelopedbyleapsandbounds,butlimitedbytheinfluenceofsomefactors,such
此文档下载收益归作者所有