多行人跟蹤是目前較熱門的課題,屬于視覺感知的中間處理部分。基于視覺的多行人跟蹤主要目的是對(duì)多個(gè)行人目標(biāo)進(jìn)行持續(xù)跟蹤,期間維持每個(gè)相同行人的ID不變化,并對(duì)每個(gè)行人進(jìn)行未來幀狀態(tài)的預(yù)測(cè)。本文主要針對(duì)十字路口場(chǎng)景下多行人跟蹤算法存在的魯棒性不足的問題進(jìn)行研究,研究較為實(shí)用的DeepSort算法,并將其解耦合為三大模塊,目標(biāo)狀態(tài)預(yù)測(cè)模塊、目標(biāo)表觀模型建模模塊、目標(biāo)表觀模型匹配模塊,文章分別從目標(biāo)表觀建模模塊和目標(biāo)狀態(tài)預(yù)測(cè)模塊兩個(gè)方面對(duì)DeepSort算法進(jìn)行改進(jìn)。文章主要貢獻(xiàn)如下:針對(duì)原DeepSort跟蹤算法在十字路口場(chǎng)景下魯棒性不足的問題,提出了一種基于多特征融合DeepSort算法的多行人跟蹤算法。在目標(biāo)表征建模階段,提取目標(biāo)行人的HOG特征和CNN特征建立目標(biāo)和背景的分類器模型,分類得到待跟蹤目標(biāo)行人的圖像置信圖,并將得到的表觀模型置信圖放入DeepSort跟蹤算法進(jìn)行多行人的跟蹤。使用MOT Challenge比賽中專用數(shù)據(jù)集MOT16數(shù)據(jù)集對(duì)改進(jìn)算法的性能進(jìn)行測(cè)評(píng),實(shí)驗(yàn)證明,提出的改進(jìn)方法比原算法的魯棒性有所提升。由于十字路口路況復(fù)雜容易出現(xiàn)非線性情況,針對(duì)提出的基于多特征融合D...

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1跟蹤流程示意圖

研究，并針對(duì)目前較為適合工業(yè)領(lǐng)域使用的DeepSort多行人跟蹤算法進(jìn)行了學(xué)習(xí)。為了方便三四章的測(cè)評(píng)實(shí)驗(yàn)，還介紹了實(shí)驗(yàn)所采用的測(cè)評(píng)數(shù)據(jù)集、實(shí)驗(yàn)的設(shè)備參數(shù)和跟蹤算法公認(rèn)的評(píng)價(jià)準(zhǔn)則。2.2視覺目標(biāo)跟蹤算法概述早期的單行人跟蹤主要是對(duì)目標(biāo)行人未來幀位置進(jìn)行預(yù)測(cè)[29]。但是隨著研究的開....

圖2-2判別式模型跟蹤方法流程圖

目前大多數(shù)的研究都是集中于建立目標(biāo)良好的觀測(cè)模型上。根據(jù)研究學(xué)者們提出的不同設(shè)計(jì)思路，一般的觀測(cè)模型設(shè)計(jì)方法大致可分為兩類：基于判別式模型方法和基于生成式模型方法[36]。生成式模型通常采用模板匹配方法，在運(yùn)動(dòng)模型候選中尋找與目標(biāo)模板最相似的候選框作為最終跟蹤結(jié)果。常用的主要理論....

圖2-3目標(biāo)跟蹤遇到的部分挑戰(zhàn)

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-12-其主要流程是預(yù)先輸入視頻圖像序列，并選定跟蹤目標(biāo)（可以手動(dòng)選定也可以使用檢測(cè)算法選定），再通過預(yù)先訓(xùn)練好的特征模型進(jìn)行目標(biāo)的表征模型初始化，通過預(yù)測(cè)算法對(duì)目標(biāo)未來幀的位置進(jìn)行大致預(yù)測(cè)，并將不同幀間的目標(biāo)使用相似性度量方法和目標(biāo)匹配方案進(jìn)行匹配....

圖2-4判別式跟蹤方法流程圖

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-14-型類型的大致區(qū)別。圖2-4判別式跟蹤方法流程圖2.4.1基于度量學(xué)習(xí)的目標(biāo)跟蹤基于度量學(xué)習(xí)的多目標(biāo)跟蹤算法主要思想是使用映射空間來區(qū)分不同的目標(biāo)，其特點(diǎn)主要在于跟蹤前算法先使用各個(gè)樣本計(jì)算得到一個(gè)最優(yōu)特征空間的映射，之后采用這個(gè)最優(yōu)空間映射來....

本文編號(hào)：3944365