原文传递
基于深度学习的复杂背景下船舶跟踪方法研究
| 论文题名： | 基于深度学习的复杂背景下船舶跟踪方法研究 |
| 关键词： | 船舶跟踪;复杂背景;深度学习;特征提取;粒子滤波 |
| 摘要： | 随着计算机不断渗透到人们生活的各个方面，通过视频监控来记录以及保护人的安全显得尤为的重要。视频目标跟踪是计算机视觉领域重要的研究课题之一，同时是一个非常具有挑战性的课题，其广泛应用于人机智能交互、视频监控以及军事武器应用等领域。目标跟踪是视频监控的重要的环节，它通过对视频第一帧图像进行标记，来实时的跟踪目标。在跟踪的过程中通过匹配前后帧特征图像的相似度，并关联数据之间信息得到目标连续的运动轨迹。一个效果好的跟踪通常要具备高效且准确的跟踪能力。然而，现实中的场景是复杂的，目标会发生形变或者被遮挡，另外光照的不同也会干扰取样，这些都给目标跟踪的研究带来很多困难。 本文依托湖南省丰富的河道港口资源，针对渡口复杂的视频监控提出了一种基于深度学习的目标跟踪算法，用于监控渡口来往的船舶。本文的主要工作如下: (1)将卷积神经网络应用于目标跟踪任务中。在目标跟踪任务中传统的方法对目标的特征提取环节表现力不是很好，存在提取信息不全、特征区分度不够等现象。本文首先采用卷积神经网络对CIFAR-10数据集进行离线训练，证明了卷积神经网络在目标特征提取的优势性，通过神经网络训练得到的特征分类效果更好，表现力更强，因而可以很好的应用于目标跟踪的特征提取阶段。为了满足现实的场景，我们利用卷积神经网络对采集到的十万张船舶图像数据进行了离线训练，得到目标从简单到复杂的通用结构性特征，构建了一个船舶的深度模型网络用于后面对船舶的跟踪。 (2)提出“离线+在线+粒子滤波”的目标跟踪算法。通过上面离线训练，我们得到了船舶的深度模型网络，在跟踪过程中用之前训练好的深度模型网络在线训练检测到的目标，进行目标的分类，之后我们采用粒子滤波算法对目标进行在线跟踪。由于预训练得到的船舶特征深度模型是非常丰富的，所以即使当目标被遮挡时，也可以通过在线训练微调网络参数对目标进行重新跟踪。同时，在粒子滤波框架下我们对目标进行重采样，尽可能的保证不丢失目标，提高了对目标的跟踪精度。实验显示，本文提出的方法在对船舶跟踪上表现出较好的实时性和准确性。 |
| 作者： | 李月峰 |
| 专业： | 软件工程 |
| 导师： | 周书仁;李春江 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长沙理工大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
