基于深度学习和强化学习的多目标检测跟踪电子与通信工程专业论文.docxVIP

优秀毕业论文 精品参考文献资料 IIIIIII IIIIIII IIIIIIIII II II I IIl Y302582 1 厦门大学学位论文著作权使用声明 本人同意厦门大学根据《中华人民共和国学位条例暂行实施办法》 等规定保留和使用此学位论文，并向主管部门或其指定机构送交学位 论文(包括纸质版和电子版)，允许学位论文进入厦门大学图书馆及 其数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国博士、 硕士学位论文共建单位数据库进行检索，将学位论文的标题和摘要汇 编出版，采用影印、缩印或者其它方式合理复制学位论文。 本学位论文属于： ( )1．经厦门大学必威体育官网网址委员会审查核定的必威体育官网网址学位论文， 于 年 月 日解密，解密后适用上述授权。 ， (√)2．不必威体育官网网址，适用上述授权。 (请在以上相应括号内打“√”或填上相应内容。必威体育官网网址学位论文 应是己经厦门大学必威体育官网网址委员会审定过的学位论文，未经厦门大学必威体育官网网址 委员会审定的学位论文均为公开学位论文。此声明栏不填写的，默认 为公开学位论文，均适用上述授权。) 声明人(签名)：骺，伟涛 n I b年3’月12_日 万方数据 摘要摘要 摘要 摘要 随着计算机计算技术和存储技术的快速发展，视频信息占人们接受信息的比 重越来越大，对视频的智能分析也越来越重要。其中视频多目标跟踪是对视频分 析的重要切入点，因此不管是在学术界还是在商业界，多目标跟踪都是研究和应 用的一个热点。 深度学习是目前机器学习在实际应用中最成功的一种方法，在自然图像分类、 通用目标检测、语义分割等视觉领域取得了突破性的成绩。本文首先调研了多目 标跟踪领域的主流方法和深度学习用于单目标跟踪的方法，并发现目前把深度学 习用于多目标跟踪的方法并不多；接着介绍了一种仅采用深度学习用于多目标跟 踪方法的局限：该方法无法有效处理跟踪中新目标出现和目标丢失等问题。这是 由于多目标跟踪中存在的问题需要一定的决策逻辑来进行处理，但是深度学习目 前缺乏这样的逻辑，无法处理这些问题。因此本文把深度学习用于多目标检测， 检测结果作为决策的环境输入，多目标跟踪问题的处理则采用了强化学习。 本文的工作主要在于： 1．在基于候选区域的深度卷积神经网络基础上，集成了包括感兴趣区域池 化、候选区域网络、多区域等目标检测优化方法构建MOT benchmark2015数据 集的行人检测器，弥补了各个优化方法仅分别作用于某一网络结构的空缺，提升 了检测结果。 2．匈牙利算法用作数据关联计算复杂度较高：改进后仍为O／n3 1。本文首次 验证了当检测结果提升到一定程度时，强化学习对目标跟踪可以不另外用匈牙利 算法做数据关联，进一步提升了整体方法速度。 3．以基于聚合通道特征的检测结果作为比较，本文提出的方法在多目标跟 踪多项指标上都有大幅的提升，验证了检测结果重要性的同时，多项指标在MOT benchmark2015数据集上的评测都名列前茅，进一步验证了采用本方法进行多目 标跟踪并改善跟踪结果是可行的。 关键词：深度学习：强化学习；多目标跟踪 万方数据 ABSTRACTABSTRACT ABSTRACT ABSTRACT With the rapid development of computer computing and storage technologies， intelligent video data analysis is more and more important and people receive more and more information from video．The video multi—target tracking is an important technology for video analysis．A person who is from business or academia focuses on the application and research of multi-target tracking As the representative of the machine learning，deep learning achieved great success in practice．Deep learning achieved breakthrough results in image classification、generic object detection and image semantic segmentation．In this paper first survey the main methods for multi—target tracking and deep learning