检索结果-南通市图书馆

检索条件"主题词=表观特征提取网络"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

单源摄像头下的行人多目标跟踪研究

单源摄像头下的行人多目标跟踪研究

引用

作者：付裕长江大学

学位级别：硕士

多目标跟踪是计算机视觉领域内的一项中级任务,在学术研究以及工业应用上有着十分重要的价值。尤其是近年来以自动驾驶、公共场所的智能安防、军事上的无人机以及战斗机等技术为代表的应用和发展,使得对于多目标跟踪的研究愈发重要。而... 详细信息

多目标跟踪是计算机视觉领域内的一项中级任务,在学术研究以及工业应用上有着十分重要的价值。尤其是近年来以自动驾驶、公共场所的智能安防、军事上的无人机以及战斗机等技术为代表的应用和发展,使得对于多目标跟踪的研究愈发重要。而对于行人的多目标跟踪是多目标跟踪研究的基石,大多数的多目标跟踪研究是在对行人的多目标跟踪研究上发展起来的。故针对行人的多目标跟踪技术的学术研究和工业应用仍然值得研究。尽管该项技术已经有了较为长远的发展与应用,但在应对待跟踪目标的相互遮挡以及目标出镜消失、待跟踪目标的速度突变、形状突变、光照变化、复杂背景环境等情况时容易出现(1)采用检测后跟踪技术路线的检测器检测性能不足;(2)多目标跟踪算法的表观特征提取能力较差等需要提高的地方。上述不足都导致了难以满足更复杂的现实情况下的需求。同时,实际应用中对算法的轻量化、实时性和鲁棒性、待跟踪目标的身份切换次数降低等提出了一定的要求。本文以行人的多目标跟踪为主要的工作任务,致力于在保证跟踪准确度的同时尽可能的减少待跟踪目标的身份切换次数,并满足实时性和鲁棒性的需求。为了达成上述目标,本文主要分为两个大的方面进行改进,一是提高对于待跟踪目标的检测能力,二是提高待跟踪目标的表观特征提取的能力。最后将改进后的目标检测网络与改进后的表观特征提取网络结合进多目标跟踪算法DeepSORT中以形成更为先进的多目标跟踪算法。本文在检测部分,主要通过了(1)添加NAM注意力模块改进YOLOv5m;(2)将YOLOv5m的检测头改进为解耦式检测头;(3)将YOLOv5m的边界框损失计算方式改进为Wise-IoU方式;(4)将超大卷积核、结构重参数化、depthwise卷积等封装为Rep LKDe Xt模块并将其与YOLOv5m结合等方式来改进YOLOv5m目标检测器网络。本文在跟踪部分,主要通过了(1)将原始表观特征提取网络替换为轻量级网络架构OSNet;(2)使用全局相关性注意力机制RGA来改进OSNet等方式来综合提高表观特征提取能力。在上述方法下提高了目标检测能力和对跟踪目标的表观特征提取能力后,最终网络模型在MOT17数据集上进行评估,HOTA总共提升了3.86%,IDF1共提升了3.65%,MOTA提升了3.91%,IDSW减少了93次,相对于原模型降低了16%,FPS提升了6帧。改进后的跟踪模型既提高了跟踪性能又降低了待跟踪目标身份切换次数。本文的创新点主要有两点:(1)针对DeepSORT跟踪算法中目标检测器的目标检测能力不够强的问题,本文主要通过对YOLOv5m网络的一系列的改进措施最终形成了更为先进的目标检测网络YOLOv5m＿De＿NAM＿Wise＿Rep LK;(2)针对原DeepSORT跟踪算法中的表观特征提取能力不足的问题,本文通过对DeepSORT的表观特征提取网络的一系列改进措施最终形成了更为先进的表观特征提取网络OSNet-RGA。最终在DeepSORT上结合上述两个新的改进网络形成了更为先进的多目标跟踪算法YOLOv5m*-DeepSORT-OSNet*。本文采用了基于深度学习的检测后跟踪的技术方案,主要通过改进YOLOv5m目标检测网络和DeepSORT的表观特征提取网络并将改进后的两个新网络结合进DeepSORT算法框架中形成了更为先进的多目标跟踪算法。最终形成的新多目标跟踪算法既提高了跟踪性能又降低了待跟踪目标身份切换次数。同时实际场景评测,得出该改进跟踪算法在单源摄像头下的行人跟踪效果更好的结论。

关键词：目标检测多目标跟踪表观特征提取网络 YOLOv5m DeepSORT

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的复杂路况检测和跟踪方法研究

基于深度学习的复杂路况检测和跟踪方法研究

引用

作者：张耀明长安大学

学位级别：硕士

随着我国汽车工业的发展,逐步攀升的汽车保有量诱发了诸多交通安全问题,所引发的交通拥堵问题也成为了治理城市的难点之一。智能驾驶技术不仅能有效解决交通问题,还能提高驾驶安全性和可靠性。环境感知作为智能驾驶技术的重要环节,是智... 详细信息

随着我国汽车工业的发展,逐步攀升的汽车保有量诱发了诸多交通安全问题,所引发的交通拥堵问题也成为了治理城市的难点之一。智能驾驶技术不仅能有效解决交通问题,还能提高驾驶安全性和可靠性。环境感知作为智能驾驶技术的重要环节,是智能车辆领域的研究热点之一。本课题依托于国家重点研发计划项目《面向机场行李转运的群体智能托运车辆研究与实践》,采用高清摄像头完成智能汽车复杂路况下的目标检测和跟踪任务。本文研究内容主要围绕以下几方面展开:(1)针对复杂路况下目标识别精确率低的问题,提出了一种YOLOv5s融合卷积注意力模块Attention的算法,结合空间和通道丰富了特征映射,并加入空洞卷积层增强感受野,细化目标特征,赋予更具判别性的特征以更大权重,提高了图像感兴趣区域提取能力。针对原始数据集目标比例不平衡的问题,实车采集真实道路场景构建增广数据集,人工标注后将标注文件转化为YOLO格式并整理为实车数据集。设计了目标检测损失函数,介绍了目标检测评价指标,设置训练参数并进行模型训练,在增广数据集上的试验结果表明:与YOLOv5s相比,YOLOv5s+Attention模型的平均精确率高1.8%,达到了49.9%,改进模型可应用于目标实时检测任务。(2)针对长时间遮挡目标匹配度低及身份转变次数多的问题,提出了一种基于改进的表观特征提取网络融合外观特征和级联匹配策略的多目标跟踪算法。在前期目标检测的基础上,多目标跟踪算法利用卡尔曼滤波器对目标实施状态预测和更新,加权融合目标的深度信息与外观信息,引入重识别领域改进的表观特征提取网络提供目标外观信息,进而形成一个新的代价矩阵,根据该代价矩阵计算检测和跟踪轨迹之间的匹配度;借助匈牙利算法完成多目标匹配任务,基于融合的外观特征,通过级联匹配策略和Io U匹配策略对遮挡目标进行有效匹配和跟踪;设计改进的表观特征提取网络并完成模型训练,与原始网络相比,改进的表观特征提取网络在训练集和验证集上的分类精确度分别提升了8%和3%,验证集分类精确度达到了82%,即认为有82%的概率认为目标经过遮挡后还是同一目标,跟踪算法减少了目标ID的转变,有效提升了小目标物特征提取并提高分类精确度。(3)搭建实车试验平台验证前文所提出的多目标检测和跟踪算法。通过改进的目标检测模型和跟踪算法先后完成多目标检测和跟踪试验,试验在两种光照环境下选用多种复杂环境完成。多目标检测试验分为:1)白天场景复杂路况感知试验;2)夜间场景复杂路况感知试验;3)目标检测算法精度分析;4)目标检测算法实时性分析。多目标跟踪试验分为:1)白天场景复杂路况多目标跟踪试验;2)夜间场景复杂路况多目标跟踪试验;3)MOT16数据集跟踪指标测试分析;4)目标跟踪算法实时性分析。试验结果表明,改进的YOLOv5s融合Attention模块目标检测模型和跟踪算法能快速有效地完成复杂路况场景下的实时检测和跟踪任务。

关键词： YOLOv5s Attention 卡尔曼滤波外观信息级联匹配表观特征提取网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：