计算机论文哪里有？本论文首先对 Faster R-CNN 模型进行深入研究，并对其进行改进，设计了一个准确率更高的目标检测模型，为后面章节提出的单人目标跟踪奠定扎实的基础。其次，为了设计更加优秀的单行人跟踪模型，在 GOTURN 模型以及 SiameseFC 模型的基础上进行改进，并在制作的单行人跟踪数据集上进行训练及测试，结果显示，改进的模型相较于原模型在单行人跟踪数据集上都表现出了更好的效果。
第一章 绪论
1.2国内外研究现状
由于单目标跟踪在现实生活中实际应用场景丰富，成为国内以及国外学者研究的热点，数量众多的算法也因此被提出了并被其用于生产和生活中。在每年在国内外的顶级会议和顶级期刊中都会有单目标跟踪相关的文章被发表并且近年来每年都会举办相关的比赛且比赛难度会由于所给数据集中数据的变化而逐年增加，这也就要求新提出的算法或者改进的算法需要有更强的处理复杂场景的能力，这些都促进了单目标跟踪算法的进一步发展。
单目标跟踪算法可以大致分为两个类别[10]。其中，基于子空间学习的方法[11,12]、基于粒子滤波的方法[13,14]、基于 Meanshift 的方法[15,16]以及基于卡尔曼滤波的方法[17,18]等都属于基于生成式模型的方法。基于判别式模型的方法与基于生成式模型方法存在很大不同，其将该任务当作分类问题来处理，即以将背景、前景区分开作为该任务的目的。从目前来看，生成式模型的算众多法准确率并没有基于判别式模型的算法准确率高，也因此基于判别式模型的目标跟踪算法成为了众多学者研究单目标跟踪的主要方法。在基于判别式模型的这个大类别的跟踪算法中，以相关滤波、深度学习为基础对单目标跟踪算法[19,20,21,22,23,24]进行研究，是目前的主要趋势。在 1.2.1 以及 1.2.2 小节中分别对基于相关滤波、深度学习的单目标跟踪方法的国内外现状进行总结。
第三章 基于语义特征的行人检测算法
3.1引言
在基于计算机视觉的单人目标跟踪任务中，需要准确给出视频第一帧中行人的坐标才能通过跟踪算法在视频后续帧中准确跟踪该目标，为了避免每个视频的第一帧中的行人都需要通过人工进行标注的成本，本章研究了基于计算机视觉的目标检测算法来提高行人检测的准确率，从而更好的为单人目标跟踪算法服务，减少人工标注所需消耗的成本。
在众多目标检测算法中，如：R-CNN、Fast R-CNN、Faster R-CNN[56]、SSD[57]、YOLO[58]等算法，虽然部分算法在目标检测方面已经取得了不错的效果，如 Faster R-CNN。但是有研究者分析了 Faster R-CNN 算法在行人检测问题上的表现，结果表明了 Faster R-CNN 中使用的候选区域提取网络的可行性，但是直接使用 Faster R-CNN 算法进行检测并不能达到满意的效果。原因表明，对于部分小目标来说，通过卷积层提取出的的图像的特征太少以至于得到的特征不能有效的描述目标，从而导致在摄像头距离目标比较远的环境下，不能准确定位图像中目标的坐标。在众多其他目标检测算法中，还存在一些其他的问题，如众多目标检测器常常会把电线杆、树木等硬性物体检测为行人，上述的问题都会影响目标检测算法在检测时的准确率。
为了解决上述的这些问题，本文在已有的 Faster R-CNN 网络的基础上保留了 RPN 网络，用来提取目标候选区域。为了解决行人目标太小，检测模型不能达到很好的效果的问题，设计通过多层特征融合的方式来增强小目标的特征表示。为了解决一些硬性物质被误检成行人的问题，所提出的检测框架结合了语义分割网络，使用语义分割网络提取出的语义特征来减少硬性物质被误检成行人的问题。目前众多学者还提出了部分优秀的目标检测模型，如 YOLO v5 等，后续工作也可考虑将语义特征融合到 YOLO v5 等模型中来提高其准确率。
第五章 基于自注意力机制的实时单人目标跟踪算法
5.1引言
上一章主要介绍了基于 SiameseFC 模型改进的跟踪算法，本章节将提出速度更快的跟踪算法。在基于计算机视觉的众多单目标跟踪算法中，很多算法虽然可以达到不错的跟踪速度，但是可能会由于用于提取图片特征的卷积神经网络层数较低，提取到的特征不够丰富，不能很好的表征图片信息，从而导致算法并不能达到比较好的跟踪效果。其次，很多跟踪算法存在一个普遍的问题即仅仅跟踪视频的某一帧对视频中的后续帧进行跟踪，比如 GOTURN 算法使用当前帧的前一帧跟踪当前帧中的目标，但是往往通过视频多帧之间的关系可以提取到更多目标相关的特征信息，使得跟踪算法可以达到更好的效果。最后，交并比是评价跟踪算法的标准之一，相同的 ℎ89损失函数的结果对应的交并比却可能会存在很大的差异，所以不能单独通过 ℎ89损失函数来推断出预测框的准确程度。
为了构建一个速度快且效果不错的单人目标算法，本章使用 GOTURN 算法的网络模型作为基础网络并对网络进行修改，在保留 GOTURN 算法速度快的特点的同时提高 GOTURN模型的跟踪准确率。GOTURN 模型是第一个基于卷积神经网络且速度可以达到 100fps 的单目标跟踪模型，但是，其所使用的卷积神经网络层数较低，存在不能提取出图片丰富特征的缺点，使用多层特征融合的方式得到更多关于图片的特征信息。为了解决 GOTURN 算法仅仅依赖当前帧的前一帧的信息进行跟踪当前帧的目标及对图片各个部分给予相同的关注度的缺点，使用注意力机制捕捉长距离特征即视频中的多帧之间依赖关系。为了解决不能通过 ℎ89损失函数来推断出预测框的准确程度的问题，在 GOTURN 算法所使用的原损失函数的基础上，将交并比加到损失函数中计算损失以使得模型可以有更好的效果。
5.2基于 GOTURN 的实时单人目标跟踪模型设计
在众多目标跟踪算法中仅仅根据目标的前一帧进行跟踪，如 GOTURN 算法。GOTURN是 David Held 等人在 2016 年提出了基于卷积神经网络目标跟踪模型，该模型使用了大量数据进行离线训练，解决了在线跟踪过程中需要调整参数所消耗大量时间的问题，并且GOTURN 算法基于回归的思想，只需要通过网络进行一次前向传播即可定位目标的位置。因此，GOTURN 算法成为了第一个能以 100fps 的速度运行的基于神经网络的跟踪器，但是GOTURN 模型中提取目标特征以及搜索区域特征所使用的卷积层层数较低，所提取的特征不能很好的表征图片信息，所以目标跟踪的准确率受到了影响，在跟踪过程中可能会出现跟踪框偏移或者跟丢目标的情况。GOTURN 模型网络结构如图 5.1 所示：
第六章 总结与展望
6.1工作总结
随着信息化技术的不断发展，每时每刻都有产生大量的图像数据并等待处理，高效且准确的处理这些图像数据可以为人类的生活带来更多的便利。人类对于智能化的不断需求也推动着计算机视觉领域的发展并在计算机视觉领域产生了众多的图像处理任务，如图像分类、目标检测、语义分割等。单人目标跟踪就是目标跟踪任务中一个小的分支，但是其却在智能视频监控、客流统计、人机交互等领域有着广阔的应用前景。 近年来，虽然深度学习在单目标跟踪领域取得了突出的成就并且提出了众多单目标跟踪算法，但是由于实际场景中存在诸多挑战因素，这些单目标跟踪算法仍然不能满足在实际场景中对目标进行准确跟踪的需求。本学位以设计准确的单行人跟踪算法为目标。由于在对目标进行跟踪时，需要给出目标在第一帧中的位置才能对其继续跟踪，为了满足对第一帧目标标注的即时性需求以及避免标注所需消耗的大量人力的问题，本论文首先对 Faster R-CNN 模型进行深入研究，并对其进行改进，设计了一个准确率更高的目标检测模型，为后面章节提出的单人目标跟踪奠定扎实的基础。其次，为了设计更加优秀的单行人跟踪模型，在 GOTURN 模型以及 SiameseFC 模型的基础上进行改进，并在制作的单行人跟踪数据集上进行训练及测试，结果显示，改进的模型相较于原模型在单行人跟踪数据集上都表现出了更好的效果。本论文具体研究内容如下：
（1）提出了基于 Faster R-CNN 改进的目标检测模型。为了让检测器可以更好的理解图片，在原网络模型的基础上结合语义信息以让检测器可以更好的理解图片，从而提高检测算法的准确率。
（2）提出了基于 SiameseFC 改进的单目标跟踪模型。在经典的孪生网络模型的基础上，首先通过膨胀卷积的方式获得的更大感受野的特征并与通过普通卷积方式获得的特征进行融合以增强模型提取语义信息的能力。其次，通过多尺度特征融合将浅层网络输出的细节特征以及高层网络输出的语义特征融合。最后，由于现有的单目标跟踪数据集都包含多个类别，没有只包含行人的数据集，为了更快制作单行人跟踪数据集，预先使用现有的 SiamRPN 单目标跟踪模型对行人图片序列进行预测，其中部分图片跟踪效果准确可以直接使用 SiamRPN 的结果作为数据对所改进的模型进行训练或测试，还有部分只需简单微调即可，减少了标注大量数据所需消耗的大量的时间和精力。
参考文献（略）
