本文關(guān)鍵詞：智能監(jiān)控系統(tǒng)中行人檢測(cè)與目標(biāo)跟蹤算法的研究

  更多相關(guān)文章： 行人檢測(cè) 目標(biāo)跟蹤 運(yùn)動(dòng)趨勢(shì)分割 關(guān)鍵點(diǎn)匹配 模型更新

【摘要】：行人檢測(cè)與跟蹤技術(shù)是機(jī)器視覺領(lǐng)域中的一個(gè)重要分支,其在智能安防、人機(jī)交互、智能交通、虛擬現(xiàn)實(shí)等領(lǐng)域中都有著廣闊市場(chǎng)前景和應(yīng)用價(jià)值。近十年來,在世界各地研究人員的共同努力下,行人檢測(cè)與跟蹤技術(shù)在實(shí)時(shí)性和精度上都取得了很大的進(jìn)步。但是受制于行人個(gè)體之間差異過大、運(yùn)動(dòng)過程多種多樣、環(huán)境復(fù)雜多變、計(jì)算資源有限等因素,現(xiàn)有算法的性能仍不能滿足實(shí)際應(yīng)用的需求。如何在不降低精確度的條件下提高行人檢測(cè)的實(shí)時(shí)性,以及如何改善跟蹤器在復(fù)雜場(chǎng)景中的跟蹤精度仍是這項(xiàng)技術(shù)中的研究熱點(diǎn)。本文針對(duì)傳統(tǒng)行人檢測(cè)算法在視頻監(jiān)控中實(shí)時(shí)性較差的問題,及跟蹤器在復(fù)雜場(chǎng)景中模型更新的問題進(jìn)行了研究和創(chuàng)新,闡述如下：目前主流行人檢測(cè)算法中采用滑動(dòng)窗口法使得特征運(yùn)算前級(jí)輸入過多而導(dǎo)致在實(shí)際監(jiān)控中實(shí)時(shí)性下降。針對(duì)該問題,提出了一種基于運(yùn)動(dòng)趨勢(shì)的快速行人檢測(cè)算法。算法首先通過分割行人運(yùn)動(dòng)趨勢(shì)信息、構(gòu)建卡爾曼預(yù)測(cè)模型完成對(duì)行人位置的預(yù)測(cè),減少了特征前級(jí)輸入。然后受圖像匹配算法的啟發(fā),通過提取預(yù)測(cè)位置BRISK特征對(duì)結(jié)果進(jìn)行了校驗(yàn)。使得算法在提高預(yù)測(cè)精度的同時(shí),減少了對(duì)行人特征的計(jì)算。最后利用固定視頻監(jiān)控中場(chǎng)景的特性作為先驗(yàn)知識(shí),完成了算法在固定場(chǎng)景中的快速尺度估計(jì)。通過在四個(gè)標(biāo)準(zhǔn)行人數(shù)據(jù)集上的測(cè)試,繪制了算法在不同視頻測(cè)試集中的DET曲線和幀率表。實(shí)驗(yàn)結(jié)果表明：相比原算法,改進(jìn)后算法在確保算法精度不下降的同時(shí)大幅度提高了行人檢測(cè)速度。基于一致性模型的關(guān)鍵點(diǎn)匹配跟蹤算法(CMT)中由于僅采用第一幀作為目標(biāo)模型使得目標(biāo)在遮擋或環(huán)境變化等因素影響下會(huì)出現(xiàn)跟蹤失敗。針對(duì)該問題,提出了一種基于歷史加權(quán)的關(guān)鍵點(diǎn)匹配跟蹤算法(HWCMT)。算法中首先通過建立歷史模型記錄不同關(guān)鍵點(diǎn)出現(xiàn)的次數(shù),并給予其相應(yīng)的權(quán)重。然后采用高斯函數(shù)作為歷史模型中關(guān)鍵點(diǎn)的權(quán)值函數(shù),對(duì)待選模型中關(guān)鍵點(diǎn)在尺度、旋轉(zhuǎn)、中心點(diǎn)估計(jì)時(shí)的投票進(jìn)行加權(quán)。最后綜合待選模型中關(guān)鍵點(diǎn)聚類結(jié)果與歷史模型特征點(diǎn)的加權(quán)結(jié)果確定目標(biāo)的姿態(tài)。通過算法在16個(gè)標(biāo)準(zhǔn)目標(biāo)跟蹤數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果,得出結(jié)論：改進(jìn)后算法解決了原CMT中模型更新的問題,并能夠處理原有算法跟蹤失敗的部分情況,較原算法在跟蹤精度上有了大幅度提升。
【關(guān)鍵詞】：行人檢測(cè) 目標(biāo)跟蹤 運(yùn)動(dòng)趨勢(shì)分割 關(guān)鍵點(diǎn)匹配 模型更新
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-21
• 1.1 研究背景與意義11-13
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀13-18
• 1.2.1 行人檢測(cè)研究現(xiàn)狀13-15
• 1.2.2 目標(biāo)跟蹤研究現(xiàn)狀15-18
• 1.3 困難與挑戰(zhàn)18-19
• 1.4 本文研究的主要內(nèi)容19
• 1.5 論文結(jié)構(gòu)安排19-21
• 第2章 行人檢測(cè)與跟蹤相關(guān)理論基礎(chǔ)21-33
• 2.1 背景分割21-22
• 2.2 二值形態(tài)學(xué)濾波22-24
• 2.3 Kalman濾波24-25
• 2.4 HOG特征描述符25-26
• 2.5 支持向量機(jī)26-28
• 2.6 BRISK算法介紹28-31
• 2.6.1 特征點(diǎn)檢測(cè)28-29
• 2.6.2 特征描述29-31
• 2.7 層次凝聚算法31-32
• 2.8 本章小結(jié)32-33
• 第3章 基于運(yùn)動(dòng)信息的快速行人檢測(cè)方法33-49
• 3.1 引言33-34
• 3.2 實(shí)現(xiàn)方法34-42
• 3.2.1 基于二幀差法的運(yùn)動(dòng)趨勢(shì)分割34-35
• 3.2.2 基于卡爾曼濾波器的預(yù)測(cè)檢測(cè)35-39
• 3.2.3 基于BRISK特征的區(qū)域校驗(yàn)39-40
• 3.2.4 靜態(tài)背景下的尺度估計(jì)及更新40-42
• 3.3 實(shí)驗(yàn)分析42-47
• 3.3.1 精度分析43-46
• 3.3.2 時(shí)間分析46-47
• 3.4 本章小結(jié)47-49
• 第4章 基于歷史加權(quán)的關(guān)鍵點(diǎn)匹配的跟蹤算法49-64
• 4.1 引言49
• 4.2 CMT跟蹤算法49-51
• 4.3 基于歷史加權(quán)的關(guān)鍵點(diǎn)更新跟蹤算法51-58
• 4.3.1 關(guān)鍵點(diǎn)歷史模型及其更新算法53-54
• 4.3.2 基于歷史加權(quán)的尺度估計(jì)及旋轉(zhuǎn)估計(jì)54-57
• 4.3.3 基于歷史加權(quán)的姿態(tài)估計(jì)57-58
• 4.4 實(shí)驗(yàn)分析58-63
• 4.5 本章小結(jié)63-64
• 結(jié)論64-66
• 參考文獻(xiàn)66-71
• 致謝71-72
• 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文和參加的項(xiàng)目72

，

本文編號(hào)：686218