多目標跟蹤算法是圖像和視頻處理研究領(lǐng)域研究的重難點之一,是視頻行為分析、場景理解、交通管理及安全防控等應用場景中的關(guān)鍵技術(shù),在智慧零售、智能安防監(jiān)控和無人駕駛汽車等領(lǐng)域有著廣泛的應用。隨著國家開始大力發(fā)展建設(shè)智慧城市和智能交通,公共交通監(jiān)控視頻的數(shù)據(jù)量大幅度提升,如何有效分析利用這些交通場景視頻大數(shù)據(jù)以提取有價值的信息,進而輔助優(yōu)化城市交通和提升公共安全有著重要的作用。由于智能交通場景的情況非常復雜,當下的多行人跟蹤算法還很難在實際場景中得到應用,因此對行人跟蹤的研究仍是非常具有應用價值的研究課題。本文研究了當前前沿的多目標跟蹤算法,對多目標跟蹤算法的基本問題和當下基于深度學習的多目標跟蹤算法進行了研究分析,充分研究和借鑒了當下多目標跟蹤算法的解決思路,在基于檢測的跟蹤框架下,設(shè)計了一種可以應用于復雜交通場景中的基于深度學習的多目標跟蹤算法。論文的主要工作有:對多目標跟蹤算法進行了深度的研究和分析;針對交通場景中的行人外觀和大小易發(fā)生變化的特點,本文設(shè)計了一種基于度量學習的行人表觀特征提取網(wǎng)絡模型�；谠摼矸e神經(jīng)網(wǎng)絡模型可以得到行人更精確的表觀特征,從而提升了行人跟蹤算法的跟蹤準確率。... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

均值偏移跟蹤算法[1]

圖 1-2 TLD 算法[2]圖 1-2 是一種將檢測和跟蹤進行結(jié)合的目標跟蹤算法，這種方法使用檢測器將跟蹤目標與跟蹤目標以外的其他物體相互區(qū)別開來，其中檢測器部分采用了離線訓練和在線學習的方法將跟蹤目標和背景進行區(qū)分。由于檢測器可以在線的不斷進行更新，所以這種方法可以適應復雜變化的跟蹤環(huán)境，漸漸的基于檢測的跟蹤算法漸漸的成為了主流的算法。這種算法首先在視頻的第一幀中的跟蹤目標進行建模，在后面的視頻幀中再不斷地更新算法以適應跟蹤物體和環(huán)境的變化。圖 1-2 所示的方法主要有三個部分組成，其中的檢測模塊主要負責在一定的區(qū)域里對跟蹤物體進行檢測，跟蹤模塊使用傳統(tǒng)的跟蹤方法進行對物體的追蹤，物體在后面幀中的位置的預測采用了基于光流的特征點統(tǒng)計的方法。跟蹤模塊和檢測模塊共同確定最后的跟蹤位置

CSK密集采用[3]

【參考文獻】：
期刊論文
[1]深度學習在視頻目標跟蹤中的應用進展與展望[J]. 管皓,薛向陽,安志勇.  自動化學報. 2016(06)
[2]基于Kalman預測和Mean-shift算法的視頻目標跟蹤[J]. 胡波,陳懇,徐建瑜,張云.  光電子.激光. 2009(11)



本文編號：2930659