检索结果-南通市图书馆

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

海面舰船多目标跟踪及方位估计算法研究

海面舰船多目标跟踪及方位估计算法研究

作者：聂圣东杭州电子科技大学

学位级别：硕士

实现海面舰船多目标跟踪及舰船目标方位角估计在海事监管等方面具有重要应用价值。但由于海面成像条件、舰船运动等诸多因素影响,舰船检测及多目标跟踪性能会严重下降。与遥感图像舰船方位估计不同,水平视角舰船成像过程信息丢失严重,... 详细信息

实现海面舰船多目标跟踪及舰船目标方位角估计在海事监管等方面具有重要应用价值。但由于海面成像条件、舰船运动等诸多因素影响,舰船检测及多目标跟踪性能会严重下降。与遥感图像舰船方位估计不同,水平视角舰船成像过程信息丢失严重,同一角度下不同类别舰船外观差别小,因此,如何提升复杂场景下海面舰船多目标跟踪及方位角估计性能,仍是需要解决的重要问题之一。本文针对以上问题展开研究,主要工作内容如下:(1)在DeepSORT框架下采用YOLOv5检测模型实现海面舰船多目标跟踪,重点讨论了主要超参数对于舰船多目标跟踪性能的影响。首先,使用包含军船和民船两类目标的检测数据集训练了YOLOv5模型。其次,为验证Re ID模型对于DeepSORT算法关联性能的影响,在构建了舰船目标重识别数据集基础上,比较了使用不同损失函数的Re ID模型的跟踪性能。最后,为验证海面舰船多目标跟踪性能,构建了包含多个镜头共计3310张序列图像作为舰船多目标跟踪测试数据集。实验结果表明,检测模型从YOLOv3替换为YOLOv5后MOTA提升了5%,由于方位角变化导致同一舰船外观差异大,故Re ID模型对舰船多目标跟踪性能影响较小。经对DeepSORT算法中的超参数进行实验对比分析后,对于构建的测试数据集的MOTA指标最高达到73.3%,较默认参数提升了0.6%。(2)为实现基于图像的舰船方位角估计,提出了一种基于角度分类思想的YOLOv5舰船方位角检测模型。在前述舰船检测数据集基础上,根据实际需求定义了8个方位角区间,采用自研软件将方位信息作为目标属性添加至标注文件,构建了用于舰船方向检测的数据集。为实现基于YOLOv5的舰船方位角检测,将输出模块增加方向分类维度,通过解耦设计实现目标位置预测、类别预测和角度预测的多任务联合优化。在多尺度特征融合阶段采用CBAM混合注意力提升融合性能,使用Focal loss损失函数来减少角度分布不均匀等带来的影响。实验结果表明,改进后YOLOv5模型m AP50从49%的提升到了67%,其中通过解耦设计m AP50提升了13%,增加CBAM注意力模块m AP50提升了2.1%,使用Focal loss损失函数后m AP50提升了4.4%。(3)针对视频图像舰船目标方位角估计问题,从目标跟踪与实例分割的角度出发,利用Siam Mask跟踪算法的结果提取舰船与海平面的分界线进而估计舰船的方位角。首先基于舰船检测数据集采用人工标注方式,构建了用于训练Siam Mask模型的数据集。完成Siam Mask模型训练并得到舰船目标分割结果后,采用对目标掩码图像进行投影的方式先估计船海分界线,然后利用最小二乘法拟合直线,并以该直线的斜率近似作为舰船目标的方位角。实验结果表明,本文提出的方法由于利用了Siam Mask逐个像素分类的分割结果,可在仅框选目标部分区域的情况下实现目标方位角估计,同时与最小包围盒估计方法相比,舰船目标方位角估计更稳定,更准确。

关键词：舰船多目标跟踪方位角估计 DeepSORT YOLOv5 siammask

孪生神经网络及其在超声心动图散斑跟踪技术中的应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

孪生神经网络及其在超声心动图散斑跟踪技术中的应用研究

作者：范成名山东大学

学位级别：硕士

随着深度学习的迅猛发展,孪生神经网络占领了目标跟踪领域的半壁江山。孪生神经网络能够进行单样本学习,在图像块匹配领域具有天然的优势,将其应用于目标跟踪能够快速准确地匹配目标,在保证精度的同时简化模型,加快跟踪速度。超声心动... 详细信息

随着深度学习的迅猛发展,孪生神经网络占领了目标跟踪领域的半壁江山。孪生神经网络能够进行单样本学习,在图像块匹配领域具有天然的优势,将其应用于目标跟踪能够快速准确地匹配目标,在保证精度的同时简化模型,加快跟踪速度。超声心动图利用超声波独特的物理特性,获取心室、心肌、心内膜及心外膜等心脏组织结构的周期性运动信息,形成心脏组织运动影像,在各类心脏疾病的临床诊治中应用广泛。超声心动图中的散斑不只是噪声,还包含大量的组织结构信息,反映心脏组织结构的物理特性。超声心动图散斑跟踪技术(Speckle Tracking Echocardiography,STE)利用散斑的稳定性和唯一性自动识别并追踪其空间运动,获取心肌的位移、速度及形变等参数。进而可以计算心肌的应变、应变率等,在评价冠心病等心脏疾病方面具有重要的临床价值。随着我国冠心病患者的大幅增加,快速准确地对超声心动图进行散斑跟踪对于预防和治疗冠心病等心脏疾病有重要的意义。基于孪生神经网络的目标跟踪模型中最具代表性的是SiamFC,其将全卷积孪生神经网络应用于目标跟踪。之后的SiamRPN、SiamRPN++、siammask等在此基础上融合了 ResNet-50、RPN、多特征融合等技术,取得了令人瞩目的效果。上述模型针对现实生活场景所设计,在现实生活场景中有较好的效果。然而超声心动图与现实生活场景中的图像有很大的不同,一是超声心动图是灰度图像,而现实生活场景中的图像是彩色图像;二是超声心动图中存在大量的散斑,对真实的心脏轮廓造成干扰,同时散斑又包含心肌及血液等的信息。这就使得将上述模型应用于STE时不能准确识别特定区域的心肌组织,相邻帧中识别的结果大相径庭,从而无法进行有效的散斑跟踪。故本文基于siammask模型提出了一种能够实现STE的新模型——STEsiammask,采用固定尺度的候选框对特定区域心肌组织进行散斑跟踪。STEsiammask模型采用心肌径向尺度的目标框生成训练集并进行训练,同时在搜索图像、mask阈值、模板锚等方面对模型进行优化,在IoU、中心位置误差等指标上表现出色。本文还基于STEsiammask模型提出了实现STE的方法。首先对超声心动图的模板帧进行预处理,以心肌特征点为中心裁剪出模板区域,再将模板区域重新调整大小生成模板图像。根据模板区域和模板图像的缩放关系以及搜索图像的尺寸计算出搜索区域的尺寸,在跟踪帧中以模板帧的心肌特征点为中心裁剪出搜索区域,将搜索区域重新调整大小生成搜索图像。模板图像和搜索图像经过STEsiammask模型处理得到最佳的跟踪目标框,取目标框的中心点为散斑跟踪的心肌特征点。本文采用超声心动图仿真数据集进行STEsiammask模型与基于STEsiammask模型的散斑跟踪方法的应用实验,并根据实验计算心肌纵向应变且与标准应变进行对比分析,结果表明了本文模型和方法的有效性和良好的应用性能。另外本文提出的基于STEsiammask模型的散斑跟踪方法在Ubuntu18.04,GTX 1050Ti,Intel i3-2120 CPU@3.30GHz 的平台上的处理速度达到了 5～6fps,基本满足临床应用需求。

关键词：孪生神经网络 siammask 超声心动图散斑跟踪

融合全卷积孪生网络和ReID网络的多目标跟踪算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合全卷积孪生网络和ReID网络的多目标跟踪算法研究

作者：高博燕山大学

学位级别：硕士

多目标跟踪算法在智能视频监控、无人驾驶、新零售用户画像等方面发挥巨大作用。但当前多目标跟踪领域存在目标定位、目标遮挡与半遮挡、运行速度和光照条件影响等问题。因此,本文提出将基于全卷积孪生网络的单目标跟踪算法引入多目标... 详细信息

多目标跟踪算法在智能视频监控、无人驾驶、新零售用户画像等方面发挥巨大作用。但当前多目标跟踪领域存在目标定位、目标遮挡与半遮挡、运行速度和光照条件影响等问题。因此,本文提出将基于全卷积孪生网络的单目标跟踪算法引入多目标跟踪领域,并以多目标跟踪算法为核心提出一种在线智能监控方案。首先,本文引入siammask网络以及目标深度信息特征。将单目标跟踪网络siammask网络应用到多目标跟踪领域,并通过基于结构光的Realsense摄像头获取目标深度信息,改进siammask网络输入通道网络结构,使网络能同时获取图像RGB特征和深度信息特征。此方法有效解决目标定位和遮挡问题,并且在一定程度上避免光照带来的影响。然后,本文提出一种融合全卷积孪生网络和ReID网络多目标跟踪算法。将ReID网络与全卷积跟踪网络融合,通过多任务学习的方式对网络进行训练。在多目标跟踪领域,其运行速度也超过大多数同类算法,解决基于siammask网络的多目标跟踪算法,随目标数量增加运行速度骤降的问题,并且满足实时跟踪要求。并应用于监控方案的设计,实现在线跟踪,客流量统计和在线多目标行为识别等功能。

关键词：多目标跟踪全卷积孪生网络 siammask ReID 智能监控

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CNN的人体目标跟踪算法研究

基于CNN的人体目标跟踪算法研究

作者：钱美伊青岛科技大学

学位级别：硕士

人体目标跟踪是计算机视觉的重要研究方向,广泛应用于智能视频监控、智能交通系统、机器人、自动驾驶等领域,具有极高的研究价值。计算机视觉领域的深度学习方法,具有自主学习目标特征、准确度高、鲁棒性强等优点。但是,基于深度学习的... 详细信息

人体目标跟踪是计算机视觉的重要研究方向,广泛应用于智能视频监控、智能交通系统、机器人、自动驾驶等领域,具有极高的研究价值。计算机视觉领域的深度学习方法,具有自主学习目标特征、准确度高、鲁棒性强等优点。但是,基于深度学习的目标跟踪仍然面对首帧训练数据不足、各种内外部因素干扰、实时性要求等问题。因此,本文针对人体目标检测和目标跟踪算法进行了研究,研究工作如下:(1)针对当前主流的人体目标检测算法Faster R-CNN,在处理多尺度问题时精度不足,网络运行效率有待提升等问题,提出基于CNN的多尺度多人目标检测方法。将FPN特征金字塔分别与Faster R-CNN的两个阶段进行结合,得到多尺度RPN和多尺度人体检测器。权衡RPN阶段正负锚点数量,保证网络高效、稳定运行。提出使用多次NMS,代替一次NMS,加快网络运行速度。调整锚点纵横比例,并对整体网络进行了一系列优化。提出的算法模型在标准数据集PETS 2009,Caltech,和INRIA上经过端到端训练得到,实验结果表明,提出方法的平均精确度显著提高。(2)针对当前主流的目标跟踪算法siammask提取目标的特征信息丰富度、深度欠佳,网络运行效率有待提升,在大型数据集上的训练速度慢等问题,提出特征融合与训练加速的高效目标跟踪。加深主干网络的参考特征层级,减少下采样,融合多个层级的参考特征图,从而提取目标更加深度、丰富的语义信息。经过深度互相关操作得到RoWs,在其中构建RPN网络,通过权衡正负锚点的数量比,使孪生网络性能更加高效、稳定。多个大型数据集训练孪生网络时,使用均匀滑动漂移采样,代替随机漂移采样算法,从而在抑制中心偏置现象的同时,显著地加快了孪生网络训练速度。在目标跟踪基准VOT2018上的评估实验结果表明,与所有参考的主流跟踪算法相比,提出的跟踪算法具有最佳性能。(3)将本文人体目标检测和目标跟踪算法相结合,实现完全自动的人体目标跟踪。首先对视频首帧使用本文人体目标检测方法,精确检测人体目标所在区域。将首帧人体区域坐标送入本文目标跟踪算法,对人体目标进行逐帧的跟踪。在VOT2018人体目标视频序列上的评估实验表明,与所有参考的跟踪算法相比,本文算法具有最优性能。

关键词：人体目标检测目标跟踪 FPN siammask 权衡锚点漂移采样