检索结果-南通市图书馆

作者：马靖媛西安邮电大学

学位级别：硕士

视觉跟踪作为计算机视觉中的一项基础任务,近年来受到了广泛关注。它是理解和智能分析视频内容的一个关键技术,其应用领域遍及视觉导航、视频监控和军事等多个方面。随着研究人员在视觉跟踪领域的深入研究,视觉跟踪技术取得了飞速发展... 详细信息

视觉跟踪作为计算机视觉中的一项基础任务,近年来受到了广泛关注。它是理解和智能分析视频内容的一个关键技术,其应用领域遍及视觉导航、视频监控和军事等多个方面。随着研究人员在视觉跟踪领域的深入研究,视觉跟踪技术取得了飞速发展。但大多数研究都集中在针对较短视频和始终可见目标的短时视觉跟踪上,这与实际应用之间有着较大的差距。与短时视觉跟踪相比,长时视觉跟踪更加接近实际应用。长时跟踪数据集中的帧数也远大于短时数据集中的帧数,并且存在大量的缺失标签,目标的遮挡和消失情况较多。对于短时跟踪算法来说,处理上述长时跟踪问题是非常困难的。而将全局重检测方法作为后处理模块与短时跟踪算法相结合,是解决长时跟踪问题的常用方式。因此,对于长时视觉跟踪中全局重检测方法的研究具有非常重要的意义。目前,全局重检测方法在精确度和速度方面存在许多不足,如何设计一个精度较高且快速的全局重检测方法是一个值得深入研究的问题。本文的主要创新点和贡献如下:(1)选取Global Track算法作为重检测方法,针对该算法中目标特征提取和建模能力不足、未利用到历史帧信息的问题,提出一种基于交互融合注意力的时序全局重检测。首先,使用Res Net50作为特征提取网络,获取模板和搜索区域的深度特征;然后,加入新的交互融合注意力来提取不同维度特征之间的联系;最后,引入基于时间注意力的感兴趣区域提取来进行候选框选取,增加重检测方法对于历史信息的使用,提升目标定位的准确性。选取STMTrack算法作为短时跟踪算法,并与所提出的重检测方法共同构建长时跟踪算法,在UAV123、La SOT、UAV20L和VOT2018-LT数据集上进行实验,从实验结果中可以看出该重检测方法的有效性。(2)为进一步提升重检测方法的精确度,并解决该方法不易于即插即用的问题,提出了一种基于Gumbel-Softmax的多模板全局重检测。首先,通过跟踪算法产生的最大响应值和平均峰值相关能量共同判断跟踪结果,并累积三帧模板;接着,使用VGG网络提取模板和搜索图像特征;然后,引入Gumbel-Softmax采样方法进行全局采样,生成多个目标候选框;最后,通过颜色相似度和余弦相似度共同确定最终目标位置。为验证所提出的重检测方法的性能,将该模块分别与四种短时跟踪算法(STMTrack、Keep Track、Super Di MP和Di MP50)进行组合,来构建长时跟踪算法。在UAV123、UAV20L、La SOT、VOT2018-LT和VOT2020-LT中进行测试,实验结果证明了该方法的有效性。(3)为进一步解决重检测方法速度较慢的问题,提出一种基于轻量级网络的快速全局重检测。并将该方法与改进后跟踪算法进行结合,构成了一个长时视觉跟踪算法。首先,将所提出的轻量级全局重检测方法作为判定目标丢失后的处理环节。在该方法中,使用轻量级的卷积网络和快速的相似度判断策略,加快了重检测速率,并引入XNorm约束辅助Softmax进行特征采样,提高定位准确性。然后,在短时跟踪算法Siam RPN中加入二阶通道与区域空间融合的注意力模块,以提高算法的短时跟踪性能;最后,将全局重检测方法与改进后的短时跟踪算法结合,实现了一个快速的长时视觉跟踪算法。在OTB100、La SOT、UAV20L、VOT2018-LT和VOT2020-LT上进行了测试,证明了所提出算法的有效性。

关键词：长时视觉跟踪全局重检测卷积神经网络注意力机制模板选择

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

基于深度学习的快速长时视觉跟踪算法

引用

北京航空航天大学学报 2023年

作者：侯志强马靖媛韩若雪马素刚余旺盛范九伦西安邮电大学陕西省网络数据分析与智能处理重点实验室空军工程大学信息与导航学院西安邮电大学计算机学院

在目标尺寸变化、遮挡和出视场等复杂长时跟踪环境下，现有基于深度学习的视觉跟踪算法很难对目标进行实时准确的跟踪，针对该问题，本文提出一种快速的长时视觉跟踪算法，该算法由一个快速短时跟踪算法和一个快速全局重检测模块组成。... 详细信息

在目标尺寸变化、遮挡和出视场等复杂长时跟踪环境下，现有基于深度学习的视觉跟踪算法很难对目标进行实时准确的跟踪，针对该问题，本文提出一种快速的长时视觉跟踪算法，该算法由一个快速短时跟踪算法和一个快速全局重检测模块组成。首先在基准算法SiamRPN中加入二阶通道与区域空间融合的注意力模块作为短时跟踪算法，在保证快速性的同时，提高了算法的短时跟踪精确度和成功率；然后，为使改进后的短时跟踪算法具有快速的长时跟踪能力，在算法中加入了本文提出的基于模板匹配的全局重检测模块，该模块使用轻量级网络和快速的相似度判断方法，加快了重检测速率。所提算法在5个数据集上进行了测试(OTB100，LaSOT，UAV20L，VOT2018-LT和VOT2020-LT)，实验结果表明，本文算法在长时跟踪中具有优越的跟踪性能，平均跟踪速度达到104FPS。

关键词：长时视觉跟踪深度学习二阶通道注意力区域空间注意力全局重检测

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

用于长时视觉跟踪的级联目标漂移判定网络

引用

北京航空航天大学学报 2023年

作者：侯志强赵佳鑫陈语马素刚余旺盛范九伦空军工程大学信息与导航学院西安邮电大学计算机学院西安邮电大学陕西省网络数据分析与智能处理重点实验室

针对现有目标漂移判定准则中需要人为选定阈值和判定性能不佳的问题，本文提出一种自适应选取阈值的级联目标漂移判定网络。首先，通过两个子网络的级联设计，判定跟踪结果是否漂移；然后，在所提网络中使用静态模板、长时模板和短时模... 详细信息

针对现有目标漂移判定准则中需要人为选定阈值和判定性能不佳的问题，本文提出一种自适应选取阈值的级联目标漂移判定网络。首先，通过两个子网络的级联设计，判定跟踪结果是否漂移；然后，在所提网络中使用静态模板、长时模板和短时模板联合判定跟踪结果，提高判定的准确性，为使模板适应判定过程中目标的外观变化，设计了长短时模板更新策略以保证模板质量；最后，将所提出的级联目标漂移判定网络联合短时跟踪器TransT与全局重检测方法GlobalTrack，搭建了一个长时视觉跟踪算法TransT＿LT。在UAV20L、LaSOT、VOT2018-LT和VOT2020-LT等四个长时视觉跟踪数据集上对所提算法进行性能测试，实验结果表明，所构建的长时视觉跟踪算法具有优越的长时视觉跟踪性能，特别是在UAV20L数据集上，相较于基准算法，跟踪成功率与精度分别提升了7.7%和10.3%。本文提出的目标漂移判定网络的判定速度为100帧/秒，对长时视觉跟踪算法的速度影响不大。

关键词：长时视觉跟踪深度学习级联目标漂移判定网络模板更新多尺度特征融合

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

低亮度视频中的高精度目标跟踪算法研究

低亮度视频中的高精度目标跟踪算法研究

引用

作者：王泽远福建师范大学

学位级别：硕士

视觉目标跟踪是计算机视觉的一个十分重要的组成部分,在国防安保、无人驾驶、运动分析等领域有着广泛的运用。因此,视觉目标跟踪算法不仅对日常生活,而且对于国家的公共安全等都具有十分重要的意义。但是随着目标跟踪的场景越来越复杂,... 详细信息

视觉目标跟踪是计算机视觉的一个十分重要的组成部分,在国防安保、无人驾驶、运动分析等领域有着广泛的运用。因此,视觉目标跟踪算法不仅对日常生活,而且对于国家的公共安全等都具有十分重要的意义。但是随着目标跟踪的场景越来越复杂,其面临的挑战也是越来越严峻,现如今视觉目标跟踪主要有如下几个主要的挑战因素:目标被遮挡、目标形变、目标的快速运动、目标模糊、目标的尺度变换以及目标短时超出视野等。其中在低亮度场景下对目标进行高精度的跟踪也是一个十分严峻的挑战。在夜晚、阴天等照度不足的场合,诸如目标模糊、背景嘈杂等问题更为突出;目标和背景干扰的区分度下降,提取区分度大的视觉特征更加困难。如果再加上目标遮挡、形变和尺度变化等问题,跟踪问题将变得更为棘手。针对低亮度视频场景,本文首先利用Retinex技术对低亮度视频序列进行低亮度图像增强,以提高低亮度视频的图像质量,使得特征提取和目标跟踪更为容易。其次,本文利用Mask R-CNN的实例分割方法,对所要跟踪的目标的轮廓进行提取,由于提取出的轮廓是一个点集,又采用Graham算法将这个点集的最外层的点连接起来构成一个凸多边形,再对得到的凸多边形拟合成一个矩形,以此提高视觉目标跟踪的精度。最后,本文在相关滤波跟踪的基础上,引入了跟丢检测机制,使目标消失在视野中或者被严重遮挡之后,当目标再次出现在视野中时,跟踪器能够再次找到所要跟踪的目标,以达到长时目标跟踪目的。本文在OTB50、VOT16、UAV20L中进行实验,验证本文算法的有效性。与若干表现优秀的代表性跟踪算法比较,结果表明本文所提出的算法在低亮度场景下的跟踪精确度和跟踪成功率均优于对照算法。

关键词：低亮度图像增强长时视觉跟踪 Graham算法实例分割相关滤波

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

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

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

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：