论文部分内容阅读
目标识别与跟踪是计算机视觉的重要研究方向,并且随着社会智能化的快速发展,目标识别与跟踪技术对军用、工业等领域的智能化进程具有重要的现实意义。本文以轮船、航母、快艇海上移动目标为研究对象,研究了深度学习识别与跟踪方法。本文针对大数据、小样本两种数据环境下海上移动目标识别模型的进行了深入研究,针对小样本条件下深度学习模型无法收敛的问题,采用迁移学习的微调方法对模型进行训练,取得了良好的收敛效果,将训练得到的卷积神经网络模型与边缘盒算法相结合对海上目标进行识别,实验表明,本文方法识别效果较好。针对传统跟踪算法在跟踪过程中对整帧图像进行搜索匹配存在大量冗余计算和遮挡容易丢失目标的问题,本文提出了一种基于运动状态估计和卷积神经网络相结合的跟踪算法,该方法通过分析目标的运动信息获取可能的目标区域,利用训练的识别模型对推荐区域进行识别跟踪。本文与基于Fast R-CNN检测器的跟踪方法和基于方向梯度直方图特征与支持向量机检测器的跟踪方法进行了对比实验,本文算法跟踪准确率较高。针对现有深度学习模型计算量大,跟踪速度慢,且无法充分利用不同层卷积特征,本文提出了一种基于多层特征融合网络的相关滤波跟踪算法。与传统人工融合多层卷积特征相比,本文多层特征融合网络将特征融合加入到网络结构中,通过网络训练实现特征的融合。在完成网络模型训练后,将网络的融合特征和相关滤波算法相结合,对目标进行跟踪。本文针对跟踪时目标尺度变化问题,在模型中引入基于方向梯度直方图的尺度自适应算法,对跟踪框体的大小进行修正,并使用GPU并行化对算法进行优化,提高算法效率。本文与多层卷积线性融合相关滤波跟踪算法、基于双线性结构的支持向量机跟踪算法、基于熵最小化的多专家跟踪模型、基于HOG特征的核相关滤波算法、判别式尺度空间跟踪算法在OTB2015数据集上进行了性能对比,结果表明,本文算法跟踪精确率较高,速度较快。