多目標(biāo)跟蹤算法是圖像和視頻處理研究領(lǐng)域研究的重難點(diǎn)之一,是視頻行為分析、場(chǎng)景理解、交通管理及安全防控等應(yīng)用場(chǎng)景中的關(guān)鍵技術(shù),在智慧零售、智能安防監(jiān)控和無(wú)人駕駛汽車(chē)等領(lǐng)域有著廣泛的應(yīng)用。隨著國(guó)家開(kāi)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(chǎng)景視頻大數(shù)據(jù)以提取有價(jià)值的信息,進(jìn)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(chǎng)景的情況非常復(fù)雜,當(dāng)下的多行人跟蹤算法還很難在實(shí)際場(chǎng)景中得到應(yīng)用,因此對(duì)行人跟蹤的研究仍是非常具有應(yīng)用價(jià)值的研究課題。本文研究了當(dāng)前前沿的多目標(biāo)跟蹤算法,對(duì)多目標(biāo)跟蹤算法的基本問(wèn)題和當(dāng)下基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法進(jìn)行了研究分析,充分研究和借鑒了當(dāng)下多目標(biāo)跟蹤算法的解決思路,在基于檢測(cè)的跟蹤框架下,設(shè)計(jì)了一種可以應(yīng)用于復(fù)雜交通場(chǎng)景中的基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法。論文的主要工作有:對(duì)多目標(biāo)跟蹤算法進(jìn)行了深度的研究和分析;針對(duì)交通場(chǎng)景中的行人外觀和大小易發(fā)生變化的特點(diǎn),本文設(shè)計(jì)了一種基于度量學(xué)習(xí)的行人表觀特征提取網(wǎng)絡(luò)模型�；谠摼矸e神經(jīng)網(wǎng)絡(luò)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(zhǔn)確率。... 

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

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)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(cè)和跟蹤進(jìn)行結(jié)合的目標(biāo)跟蹤算法，這種方法使用檢測(cè)器將跟蹤目標(biāo)與跟蹤目標(biāo)以外的其他物體相互區(qū)別開(kāi)來(lái)，其中檢測(cè)器部分采用了離線(xiàn)訓(xùn)練和在線(xiàn)學(xué)習(xí)的方法將跟蹤目標(biāo)和背景進(jìn)行區(qū)分。由于檢測(cè)器可以在線(xiàn)的不斷進(jìn)行更新，所以這種方法可以適應(yīng)復(fù)雜變化的跟蹤環(huán)境，漸漸的基于檢測(cè)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(biāo)進(jìn)行建模，在后面的視頻幀中再不斷地更新算法以適應(yīng)跟蹤物體和環(huán)境的變化。圖 1-2 所示的方法主要有三個(gè)部分組成，其中的檢測(cè)模塊主要負(fù)責(zé)在一定的區(qū)域里對(duì)跟蹤物體進(jìn)行檢測(cè)，跟蹤模塊使用傳統(tǒng)的跟蹤方法進(jìn)行對(duì)物體的追蹤，物體在后面幀中的位置的預(yù)測(cè)采用了基于光流的特征點(diǎn)統(tǒng)計(jì)的方法。跟蹤模塊和檢測(cè)模塊共同確定最后的跟蹤位置

CSK密集采用[3]

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在視頻目標(biāo)跟蹤中的應(yīng)用進(jìn)展與展望[J]. 管皓,薛向陽(yáng),安志勇.  自動(dòng)化學(xué)報(bào). 2016(06)
[2]基于Kalman預(yù)測(cè)和Mean-shift算法的視頻目標(biāo)跟蹤[J]. 胡波,陳懇,徐建瑜,張?jiān)?  光電子.激光. 2009(11)



本文編號(hào)：2930659