亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于SSD-CF的無人艇目標(biāo)檢測(cè)跟蹤方法

        2019-07-10 07:44:01陳欣佳劉艷霞洪曉斌王慧芳
        中國測(cè)試 2019年2期
        關(guān)鍵詞:目標(biāo)跟蹤目標(biāo)檢測(cè)

        陳欣佳 劉艷霞 洪曉斌 王慧芳

        摘要:針對(duì)目前目標(biāo)檢測(cè)和目標(biāo)跟蹤算法對(duì)無人艇運(yùn)算配置要求高、速度慢等問題,該文一種提出基于SSD-CF的無人艇目標(biāo)檢測(cè)跟蹤方法。利用MobileNets結(jié)構(gòu)結(jié)合SSD目標(biāo)檢測(cè)算法構(gòu)建輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)無人艇的水面目標(biāo)檢測(cè)。目標(biāo)檢測(cè)結(jié)果作為相關(guān)濾波CF目標(biāo)跟蹤算法的初始輸入,并在目標(biāo)跟蹤過程的保障其有效性。通過MODD水面船只視頻數(shù)據(jù)實(shí)驗(yàn)表明,SSD-CF方法融合目標(biāo)檢測(cè)與目標(biāo)跟蹤算法,可有效地降低對(duì)運(yùn)算力的要求,提升目標(biāo)檢測(cè)跟蹤速度和目標(biāo)位置的穩(wěn)定連續(xù)性。

        關(guān)鍵詞:無人艇;目標(biāo)檢測(cè);目標(biāo)跟蹤;SSD;MobileNets;相關(guān)濾波

        中圖分類號(hào):TN212

        文獻(xiàn)標(biāo)志碼:A

        文章編號(hào):1674–5124(2019)02–0145–06

        0 引言

        水面無人艇實(shí)際應(yīng)用廣泛,如水質(zhì)檢測(cè)、海面巡邏監(jiān)控等。隨著人工智能技術(shù)的發(fā)展,現(xiàn)代無人艇海面自主航行領(lǐng)域的各項(xiàng)技術(shù)也在不斷完善。水面目標(biāo)準(zhǔn)確檢測(cè)跟蹤是無人艇的核心技術(shù)。但其目前較好的目標(biāo)檢測(cè)都依賴于深度學(xué)習(xí)卷積網(wǎng)絡(luò),檢測(cè)速度較慢,且對(duì)于運(yùn)算環(huán)境要求高。目標(biāo)跟蹤算法在給出目標(biāo)之后能較好地穩(wěn)定跟蹤目標(biāo),但目標(biāo)丟失后無法重新追蹤目標(biāo)。目前目標(biāo)檢測(cè)算法主要分為3類:1)傳統(tǒng)的檢測(cè)算法,主要有Cascade+Harr[1]、SVM+HOG[2]、DPM算法等利用手工特征結(jié)合機(jī)器學(xué)習(xí)類算法,以及在此類算法上的改進(jìn)和優(yōu)化;2)候選窗選擇算法結(jié)合深度學(xué)習(xí)分類的二階段檢測(cè)算法,主要有RCNN、SPP-net[3]、Fast-RCNN、Faster-RCNN[4]等系列方法;3)基于一階段的深度學(xué)習(xí)回歸方法,主要算法有YOLO、SSD[5]等,一次性對(duì)目標(biāo)位置以及目標(biāo)類別進(jìn)行學(xué)習(xí)計(jì)算。二階段的算法相對(duì)于一階段的目標(biāo)檢測(cè)算法精度高但速度慢。結(jié)合深度學(xué)習(xí)的算法大大提高了目標(biāo)檢測(cè)的準(zhǔn)確度,但運(yùn)算環(huán)境的要求比較高,速度也有些下降。

        傳統(tǒng)的目標(biāo)跟蹤算法有光流法[6]、卡爾曼濾波、粒子濾波[7]、Mean-Shift[8]。隨著機(jī)器學(xué)習(xí)的興起,近幾年在目標(biāo)跟蹤中的成果基本都是使用機(jī)器學(xué)習(xí)的方法。目前跟蹤算法可以被分為生成式和判別式兩大類別。生成式模型的思想是提取目標(biāo)特征學(xué)習(xí)出代表目標(biāo)的模型,搜索圖像進(jìn)行模式匹配,匹配度最大的區(qū)域即為目標(biāo)結(jié)果[9]。判別式模型的思想是將目標(biāo)跟蹤問題作為分類問題,區(qū)分目標(biāo)和背景。目標(biāo)區(qū)域和背景區(qū)域分別為正、負(fù)樣本,通過機(jī)器學(xué)習(xí)算法訓(xùn)練分類器判別目標(biāo)和背景,使用分類器搜索最匹配區(qū)域。判別類模型中目前最突出的發(fā)展是相關(guān)濾波和深度學(xué)習(xí)方法的應(yīng)用。自2010年Bolme等[10]提出MOSSE算法,首次將相關(guān)濾波應(yīng)用到目標(biāo)跟蹤領(lǐng)域中,由于其計(jì)算速度快、準(zhǔn)確度高等特點(diǎn),吸引了大批研究者,相關(guān)濾波與傳統(tǒng)算法的各種結(jié)合嘗試從不同的角度對(duì)算法進(jìn)行提升。后續(xù)在MOSSE算法基礎(chǔ)上相繼提出了CSK[11],KCF[12]、DSST、STC、SAMF、CN、SRDCF、Deep-SRDCF、C-COT、ECO等拓展算法。其中部分算法結(jié)合了深度學(xué)習(xí)算法,利用卷積網(wǎng)絡(luò)自動(dòng)提取特征,提升了目標(biāo)跟蹤效果,但也導(dǎo)致運(yùn)算速度下降。

        針對(duì)海面障礙目標(biāo)的實(shí)時(shí)準(zhǔn)確檢測(cè)跟蹤需求,使用深度學(xué)習(xí)類目標(biāo)檢測(cè)可以達(dá)到比較好的結(jié)果,但對(duì)于無人艇上位機(jī)運(yùn)算環(huán)境要求較高,因此本文通過MobileNets進(jìn)一步改進(jìn)SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)模型,降低運(yùn)算要求,加快檢測(cè)效率。同時(shí)結(jié)合CF相關(guān)濾波目標(biāo)跟蹤算法,實(shí)現(xiàn)目標(biāo)實(shí)時(shí)跟蹤,最終實(shí)現(xiàn)目標(biāo)的準(zhǔn)確檢測(cè)與實(shí)時(shí)跟蹤。

        1 基于SSD-CF目標(biāo)檢測(cè)跟蹤方法

        1.1 SSD目標(biāo)檢測(cè)算法

        為了實(shí)現(xiàn)無人艇對(duì)水面目標(biāo)的實(shí)時(shí)檢測(cè)跟蹤,首先需要檢測(cè)出目標(biāo)。本文采用SSD(singleshotmultiboxdetector)目標(biāo)檢測(cè)算法進(jìn)行目標(biāo)檢測(cè)。SSD算法的主要思路是均勻地在圖片的不同位置進(jìn)行密集抽樣,同時(shí)采用不同尺度和長(zhǎng)寬比,利用卷積網(wǎng)絡(luò)提取特征后直接進(jìn)行目標(biāo)分類與位置回歸,整個(gè)過程一步完成檢測(cè),因此算法速度較快。

        SSD算法中采用密集取樣生成目標(biāo)位置候選框。在不同分辨率的特征圖上按不同比例生成固定大小的單元格。對(duì)于所有單元格再按{1,2,3,1/2,1/3}不同的長(zhǎng)寬比增加候選框。在不同分辨率的特征圖上只考慮一個(gè)尺度的候選框。如用m個(gè)特征圖來做預(yù)測(cè),每一個(gè)特征圖中候選框的尺寸大小計(jì)算公式:

        其中,smin為0.2,smax為0.95,意味著最底層的尺度是0.2,最高層的尺度是0.95。根據(jù)不同長(zhǎng)寬比ar∈{1,2,3,1/2,1/3},則可計(jì)算出每一個(gè)候選框的寬wk和高h(yuǎn)k:

        對(duì)于長(zhǎng)寬比為1時(shí),另外增加了一個(gè)尺度s′k=√sksk+1的候選框。最終每張?zhí)卣鲌D上的單元格都有6個(gè)候選框。候選框與標(biāo)注框進(jìn)行匹配,如果面積交并比大于0.5為正例,其他為反例。

        SSD算法目標(biāo)損失函數(shù)包含位置損失和置信損失。位置損失是候選框l和標(biāo)注框g位置參數(shù)之間的平滑L1損失函數(shù)。置信損失是softmax損失對(duì)多類別置信c和權(quán)重項(xiàng)α設(shè)置為1的交叉驗(yàn)證。其中N是匹配的默認(rèn)框數(shù)量,其中x∈{1,0},為指示函數(shù),表示標(biāo)注框與候選框匹配與否。

        SSD算法中使用兩種策略提升算法性能:1)難例挖掘,根據(jù)上面的候選框生成策略會(huì)產(chǎn)生大量的負(fù)訓(xùn)練樣本,通過選擇置信損失較大的候選框作為反例,使得反例不超過正例的3倍;2)數(shù)據(jù)增廣,對(duì)原圖進(jìn)行隨機(jī)裁剪和在目標(biāo)周圍裁剪,隨機(jī)翻轉(zhuǎn)來增加訓(xùn)練集。這兩個(gè)策略都有效提升了算法的準(zhǔn)確度。

        1.2 MobileNet-SSD輕量級(jí)目標(biāo)檢測(cè)算法

        由于無人艇體積有一定的限制,通常需要裝備各式各樣的感應(yīng)設(shè)備(如雷達(dá)、聲吶、攝相機(jī)等),無人艇上工控機(jī)需要運(yùn)行大量計(jì)算,如果直接使用SSD算法檢測(cè)目標(biāo),將會(huì)耗費(fèi)大量的計(jì)算資源,并且耗時(shí)較長(zhǎng)。因此需要對(duì)SSD算法網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),減少運(yùn)行時(shí)間和參數(shù)數(shù)量。利用MobileNets結(jié)構(gòu)結(jié)合SSD算法,可以實(shí)現(xiàn)輕量級(jí)的目標(biāo)檢測(cè)。MobileNets是基于一個(gè)流線型的架構(gòu),它使用深度可分離的卷積來構(gòu)建輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)。MobileNets的核心思想是將普通的卷積操作分解為深度可分離卷積和1*1逐點(diǎn)卷積兩個(gè)步驟。可以在基本保證準(zhǔn)確率的前提下大大減少計(jì)算時(shí)間和參數(shù)數(shù)量。

        實(shí)驗(yàn)得出MobileNet-SSD在MODD數(shù)據(jù)集上的平均檢測(cè)速率為0.8f/s,CF目標(biāo)跟蹤的平均檢測(cè)速率為22f/s。CF跟蹤算法提升了視頻目標(biāo)處理速度。MobileNet-SSD目標(biāo)檢測(cè)算法與CF目標(biāo)跟蹤的融合可以有效地實(shí)現(xiàn)實(shí)時(shí)對(duì)海面目標(biāo)的檢測(cè)跟蹤。

        實(shí)驗(yàn)三在目標(biāo)存在遮擋圖像范圍的情況下進(jìn)行SSD-CF目標(biāo)檢測(cè)跟蹤算法驗(yàn)證。通過試驗(yàn)無人艇拍攝障礙物視頻,無人艇攝像機(jī)移動(dòng)速度較快,可能會(huì)將目標(biāo)移出圖像范圍,從而導(dǎo)致跟蹤過程中目標(biāo)丟失。

        實(shí)驗(yàn)三中視頻序列的初始目標(biāo)位置通過目標(biāo)檢測(cè)算法獲取,由目標(biāo)跟蹤算法實(shí)現(xiàn)實(shí)時(shí)跟蹤。如圖6所示,在視頻第53幀,目標(biāo)部分遮擋的情況下,SSD-CF算法仍能夠準(zhǔn)確定位,在71幀,目標(biāo)超出圖像范圍并在第79幀可以通過檢測(cè)算法重新定位目標(biāo)位置,由跟蹤算法進(jìn)行接下來的持續(xù)跟蹤,體現(xiàn)算法的有效性。實(shí)驗(yàn)結(jié)果表明SSD-CF目標(biāo)檢測(cè)跟蹤算法在目標(biāo)部分遮擋和完全丟失的情況下,通過MobileNet-SSD目標(biāo)檢測(cè)算法可以快速地為CF跟蹤算法提供初始目標(biāo)位置信息,并且在目標(biāo)跟蹤過程中,如果目標(biāo)丟失,檢測(cè)算法能夠重新定位目標(biāo)位置,實(shí)現(xiàn)無人艇對(duì)海面障礙物持續(xù)跟蹤。3結(jié)束語

        無人艇的自主航行依靠于目標(biāo)的準(zhǔn)確檢測(cè)和快速跟蹤,采用傳統(tǒng)的深度學(xué)習(xí)算法耗費(fèi)的運(yùn)算資源比較大。MobileNet-SSD目標(biāo)檢測(cè)算法,在一定程度上提高了檢測(cè)速度,降低運(yùn)算環(huán)境要求;同時(shí),檢測(cè)算法對(duì)視頻的每一幀都獨(dú)立檢測(cè),可能存在位置漂移,提出使用CF目標(biāo)跟蹤對(duì)于目標(biāo)檢測(cè)結(jié)果進(jìn)行后續(xù)跟蹤,并利用MobileNet-SSD在跟蹤過程目標(biāo)丟失,重新定位目標(biāo)位置,降低運(yùn)算量。因此,本文提出的SSD-CF算法提高目標(biāo)位置跟蹤速度,可避免直接使用目標(biāo)檢測(cè)算法進(jìn)行目標(biāo)定位,節(jié)約運(yùn)算資源,提高跟蹤目標(biāo)的位置穩(wěn)定性,實(shí)現(xiàn)無人艇的水面目標(biāo)持續(xù)跟蹤需求。下一步工作將結(jié)合圖像檢測(cè)跟蹤結(jié)果與其他傳感器信息,分析目標(biāo)運(yùn)動(dòng)狀態(tài),進(jìn)行無人艇避障決策研究。

        參考文獻(xiàn)

        [1]VIOLAP, MICHAELJ.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C]//Proceedingsofthe2001IEEEComputerSocietyConference, 2001.

        [2]DALALN, BILLT.Histogramsoforientedgradientsforhumandetection[C]//IEEEComputerSocietyConference,2005.

        [3]HEKM, ZHANGXY, RENSQ, etal.Spatialpyramidpoolingindeepconvolutionalnetworksforvisualrecognition[C]//Europeanconferenceoncomputervision.Springer, 2014.

        [4]RENSQ.Fasterr-cnn: Towardsreal-timeobjectdetection

        withregionproposalnetworks[J].IEEETransactionsonPatternAnalysisandMachineIntelligence.2015,39(6): 1137-1149.

        [5]LIUW.Ssd: Singleshotmultiboxdetector[C]//Europeanconferenceoncomputervision, 2016.

        [6]魯永杰,王思明.一種改進(jìn)的運(yùn)動(dòng)目標(biāo)跟蹤方法[J].中國測(cè)試,2015(7):95-98.

        [7]BREITENSTEINMD.Robusttracking-by-detectionusingadetectorconfidenceparticlefilter[C]//IEEE12thInternationalConferenceonComputerVision, 2009.

        [8]COMANICIUD, VISVANATHANR, PETERM.Real-timetrackingofnon-rigidobjectsusingmeanshift[C]//ProceedingsIEEEConferenceonComputerVisionandPatternRecognition, 2000.

        [9]朱文青,劉艷,卞樂,等.基于生成式模型的目標(biāo)跟蹤方法綜述[J].微處理機(jī),2017,38(1):41-47.

        [10]BOLMEDS.Visualobjecttrackingusingadaptivecorrelationfilters[C]//2010IEEEConferenceonComputerVisionandPatternRecognition, 2010.

        [11]HENRIQUESJF.Exploitingthecirculantstructureoftracking-by-detectionwithkernels[C]//Europeanconferenceoncomputervision, 2012.

        [12]HENRIQUESJF, CASEIROR, MARTINSP, etal.High-speedtrackingwithkernelizedcorrelationfilters[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2015, 37(3): 583-596.

        [13]KRISTANM, SULICKV, KOVACICS, etal.Fastimage-basedobstacledetectionfromunmannedsurfacevehicles[J].IEEETransactionsonCybernetics, 2016, 46(3): 641-654.

        猜你喜歡
        目標(biāo)跟蹤目標(biāo)檢測(cè)
        多視角目標(biāo)檢測(cè)與跟蹤技術(shù)的研究與實(shí)現(xiàn)
        視頻中目標(biāo)檢測(cè)算法研究
        軟件(2016年4期)2017-01-20 09:38:03
        行為識(shí)別中的人體運(yùn)動(dòng)目標(biāo)檢測(cè)方法
        基于改進(jìn)連續(xù)自適應(yīng)均值漂移的視頻目標(biāo)跟蹤算法
        基于重采樣粒子濾波的目標(biāo)跟蹤算法研究
        航空兵器(2016年5期)2016-12-10 17:12:24
        移動(dòng)機(jī)器人圖像目標(biāo)識(shí)別
        基于背景建模法的運(yùn)動(dòng)目標(biāo)檢測(cè)
        基于P3電位的目標(biāo)檢測(cè)研究
        科技視界(2016年4期)2016-02-22 13:09:19
        空管自動(dòng)化系統(tǒng)中航跡濾波算法的應(yīng)用與改進(jìn)
        科技視界(2016年5期)2016-02-22 12:25:31
        智能視頻技術(shù)在電力系統(tǒng)領(lǐng)域的應(yīng)用
        91亚洲最新国语中文字幕| 亚洲美女又黄又爽在线观看| 香蕉视频在线观看国产| 超清无码AV丝袜片在线观看| 中文字幕色资源在线视频| 国产无遮挡又黄又爽高潮| 中文字幕熟妇人妻在线视频| 国产亚洲欧美另类久久久| 大陆少妇一区二区三区| 国产精品国产三级国产专播| 国产精品 高清 尿 小便 嘘嘘| 特一级熟女毛片免费观看 | 亚洲中文字幕在线综合| 亚洲av日韩av天堂一区二区三区| 亚洲综合国产精品一区二区99| 少妇勾引视频网站在线观看| 精品亚洲麻豆1区2区3区| 日本免费一区二区三区| 亚洲国产一区二区三区在线视频| 久久精品av在线视频| 人妻 偷拍 无码 中文字幕| 狠狠躁夜夜躁无码中文字幕| 久久人妻av不卡中文字幕| 在线观看日本一区二区三区四区| 日本午夜精品理论片a级app发布| 色综合另类小说图片区| 91热久久免费频精品99| 国产成人亚洲综合| 国产激情з∠视频一区二区| 国产精品三级av一区二区| 丝袜美腿av在线观看| 亚洲男人第一无码av网站| 久久老子午夜精品无码| av一区二区在线网站| 国产成人无码av一区二区| 亚洲动漫成人一区二区| 国产伦理一区二区久久精品| 人妻仑乱a级毛片免费看| 99在线播放视频| 精品一区二区三区老熟女少妇| 亚洲av永久无码天堂网|