發(fā)布時間：2018-10-29 14:53

【摘要】：隨著數(shù)字多媒體技術(shù)的發(fā)展,用戶視頻、監(jiān)控視頻等多種類型的視頻數(shù)據(jù)總量呈爆炸式增長,為網(wǎng)絡(luò)內(nèi)容審查、安防監(jiān)控等工作帶來了極大的挑戰(zhàn)。因此,智能視頻內(nèi)容分析系統(tǒng)以及相關(guān)視覺技術(shù)的研究亟需突破性進展,而其中對象追蹤模塊作為視頻應(yīng)用的關(guān)鍵步驟,越來越被人們所關(guān)注與重視。視覺追蹤技術(shù)的難點在于:1)需能適應(yīng)畫面光影變化、局部遮擋、背景復(fù)雜、相機移動、目標(biāo)對象尺寸變化等視頻噪聲,保證準確追蹤;2)必須在圖像幀之間進行實時在線追蹤,不影響視頻的播放速度,否則將導(dǎo)致信息傳達不暢,或致使追蹤精度受損。一個合格的追蹤算法,既要具備足夠的穩(wěn)定性與魯棒性,又需要能夠?qū)崟r高速運行,防止追蹤延遲或失效。為了應(yīng)對上述難點,本論文設(shè)計并實現(xiàn)了單濾波變尺度追蹤算法。該方法以核化相關(guān)單濾波追蹤器為基礎(chǔ),利用判決模型對候選窗口進行密集采樣所得到的循環(huán)結(jié)構(gòu),提出使用“四角型”高斯類標(biāo)矩陣作為追蹤濾波器的響應(yīng)訓(xùn)練標(biāo)注,并從邊緣追蹤和分塊追蹤兩個角度說明其有效性。不同于已有的多尺度追蹤方法,本方法無需在單幀中多次運行濾波操作或多次采樣候選窗口,僅通過一次濾波運算即可同時推斷出目標(biāo)對象的新位置與新尺寸,在超實時追蹤的前提下,解決單濾波追蹤算法無法處理的對象尺寸變化問題。在追蹤器執(zhí)行濾波操作得到“四峰值”響應(yīng)矩陣后,本論文采用貝葉斯框架推斷目標(biāo)對象所在窗口的具體坐標(biāo)與邊界框長寬。該方法首先從時間與空間兩個角度衡量變尺度單濾波器各個局部的追蹤置信度并計算結(jié)果權(quán)值,而后對各分塊的追蹤結(jié)果進行有偏融合,以置信度較高的局部響應(yīng)來推斷目標(biāo)對象的最終狀態(tài),同時抑制有可能出錯的追蹤結(jié)果所造成的影響,相比于原始KCF追蹤器的單峰值定位策略而言更具魯棒性。最后本論文設(shè)計并開發(fā)了一個小型的監(jiān)控視頻分析與預(yù)警系統(tǒng),該系統(tǒng)分為三個部分:1)基于Faster R-CNN的對象檢測模塊,在輸入的視頻文件或流數(shù)據(jù)中識別興趣對象;2)變尺度單濾波對象追蹤算法,獲取目標(biāo)在每一幀的位置與尺寸;3)具體的異常行為識別模塊,根據(jù)實際應(yīng)用要求對目標(biāo)對象的行為進行分析,如果發(fā)現(xiàn)所指定的異常情況則做出警示。
[Abstract]:With the development of digital multimedia technology, the amount of video data such as user video, surveillance video and other kinds of video data increases explosively, which brings great challenges to the work of network content censorship, security monitoring and so on. Therefore, the research of intelligent video content analysis system and related visual technology is in urgent need of breakthrough, and the object tracking module, as a key step of video application, has been paid more and more attention to. The difficulties of visual tracking technology are as follows: 1) it needs to be able to adapt to the video noise such as the change of picture light and shadow, local occlusion, complex background, camera moving and object size change, so as to ensure accurate tracking; 2) real-time online tracking must be carried out between image frames, which will not affect the speed of video playback, otherwise, it will lead to poor communication of information or damage of tracking accuracy. A qualified tracking algorithm not only has sufficient stability and robustness, but also needs to be able to run at high speed in real time to prevent tracking delay or failure. In order to deal with the above difficulties, a single filter variable scale tracking algorithm is designed and implemented in this paper. Based on the kernel correlation single filter tracker and the circular structure obtained by dense sampling of candidate window by decision model, this method proposes to use the "tetragonal" Gao Si class matrix as the response training label of the tracking filter. The effectiveness of the method is illustrated from two aspects: edge tracking and block tracking. Different from the existing multi-scale tracking method, the new position and size of the target object can be inferred by only one filter operation, which does not need to run multiple filtering operations or multiple sampling candidate windows in a single frame. On the premise of super real time tracking, the problem of object size change which can not be handled by single filter tracking algorithm is solved. After the tracker performs the filtering operation to get the "four-peak" response matrix, the Bayesian framework is used to infer the specific coordinates of the target window and the length and width of the boundary frame. This method firstly measures the local tracking confidence of variable scale single filter from time and space angles and calculates the weight of the result. Then the tracking results of each block are partially fused. The local response with high confidence can be used to infer the final state of the target object and suppress the effect of the possible error tracking results. It is more robust than the single peak localization strategy of the original KCF tracker. Finally, this paper designs and develops a small surveillance video analysis and early warning system. The system is divided into three parts: 1) object detection module based on Faster R-CNN to identify objects of interest in input video files or stream data; 2) variable scale single filter object tracking algorithm to obtain the position and size of the target in each frame; 3) the specific abnormal behavior identification module analyzes the behavior of the target object according to the practical application requirements, and makes a warning if the specified abnormal situation is found.
【學(xué)位授予單位】：清華大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 周守仁;;RMI原則的方法論意義[J];大自然探索;1990年01期

2 林蘇美;;大型場景內(nèi)一種目標(biāo)對象空間定位方法[J];中國包裝工業(yè);2014年06期

3 洪清啟;王備戰(zhàn);張磊;陳兵;;基于目標(biāo)對象的遙感圖像檢索[J];鄭州大學(xué)學(xué)報(理學(xué)版);2007年02期

4 劉沖,王躍宗,王立鼎,宋展;顯微圖象中目標(biāo)對象的識別[J];計算機工程與應(yīng)用;2003年09期

5 馬科;目標(biāo)侵蝕之痛[J];軟件世界;2003年12期

6 劉瀟婷;畢春娜;;網(wǎng)絡(luò)通信服務(wù)器對目標(biāo)對象快速搜索方法的比較[J];科技資訊;2007年22期

7 張麗英;王憲偉;李及;;基于RFID技術(shù)的目標(biāo)對象監(jiān)控管理系統(tǒng)的設(shè)計[J];長春大學(xué)學(xué)報;2010年08期

8 黃合水;;廣告配樂的功能與運用[J];中國廣播電視學(xué)刊;1992年02期

9 曹志強;鄭世寶;張重陽;;監(jiān)控視頻中目標(biāo)對象時空關(guān)系提取[J];電視技術(shù);2012年09期

10 彭建,劉金平,柳林;一種基于RS和SVM的目標(biāo)對象的性能分類方法[J];長沙理工大學(xué)學(xué)報(自然科學(xué)版);2005年02期

相關(guān)會議論文 前3條

1 張小紅;唐敏;蔣志成;童若鋒;;面向視頻融合的視頻對象運動去除[A];第五屆全國幾何設(shè)計與計算學(xué)術(shù)會議論文集[C];2011年

2 李艷;關(guān)宇東;王宏民;王英;;基于push-relabel的視頻對象提取算法的研究與實現(xiàn)[A];2008中國儀器儀表與測控技術(shù)進展大會論文集（Ⅱ）[C];2008年

3 譚錦輝;顧亞平;張俊;謝兵森;;一種融合CAMShift和SIFT的視頻對象跟蹤算法[A];第九屆全國信息獲取與處理學(xué)術(shù)會議論文集Ⅰ[C];2011年

相關(guān)重要報紙文章 前4條

1 ;圖形圖像常見問題解析[N];電腦報;2001年

2 ;移動影音裝置的設(shè)計方向[N];電子資訊時報;2007年

3 琳;新加坡研制出新型車輛追蹤器[N];中國汽車報;2001年

4 蘇隆坡;MPEG六兄弟[N];信息時報;2000年

相關(guān)博士學(xué)位論文 前10條

1 聶勇偉;內(nèi)容敏感的視頻對象濃縮與編輯研究[D];武漢大學(xué);2015年

2 楊高波;基于內(nèi)容多媒體應(yīng)用的語義視頻對象提取及評價[D];上海大學(xué);2004年

3 曾志高;概率模型及其在視頻對象處理中的應(yīng)用[D];武漢大學(xué);2012年

4 史立;視頻對象平面分割和視頻對象提取方法的研究[D];上海大學(xué);2001年

5 張慶利;視頻對象自動分割技術(shù)及其細胞神經(jīng)網(wǎng)絡(luò)實現(xiàn)方法的研究[D];上海大學(xué);2005年

6 于躍龍;視頻語義信息提取關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2005年

7 周寧;基于語義視頻對象的BACnet視覺監(jiān)視[D];華中科技大學(xué);2006年

8 符祥;視頻網(wǎng)絡(luò)傳輸中面向?qū)ο筇幚淼年P(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2008年

9 姚孝明;基于視覺真實的視頻對象壓縮[D];西南交通大學(xué);2006年

10 張永健;無線通信中視頻編碼及傳輸關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 陳文爍;變尺度對象追蹤技術(shù)及應(yīng)用研究[D];清華大學(xué);2016年

2 陳倩;有效的“陌生感”[D];湖北美術(shù)學(xué)院;2015年

3 徐化永;基于深度學(xué)習(xí)和渲染數(shù)據(jù)的目標(biāo)對象摳取[D];山東大學(xué);2017年

4 張紀彩;城市居民最低生活保障制度目標(biāo)對象瞄準效率研究[D];華北電力大學(xué)(北京);2017年

5 王語芝;目標(biāo)對象的權(quán)力與地位水平對社會判斷的影響[D];湖南師范大學(xué);2013年

6 俞剛;基于形態(tài)模型的目標(biāo)跟蹤的研究[D];上海交通大學(xué);2010年

7 亓志超;復(fù)雜背景下目標(biāo)檢測與跟蹤算法研究[D];哈爾濱工程大學(xué);2016年

8 周琪;數(shù)字圖像中目標(biāo)對象幾何特征逼近算法[D];江南大學(xué);2015年

9 劉yN斌;沉浸式視頻對象融合技術(shù)研究[D];湘潭大學(xué);2015年

10 李麗;基于視頻對象的壓縮編碼研究[D];山東大學(xué);2009年

，

本文編號：2298011