視頻多目標(biāo)跟蹤是目標(biāo)跟蹤領(lǐng)域的一個(gè)重要分支,作為經(jīng)典的計(jì)算機(jī)視覺問題,多目標(biāo)跟蹤在智能視頻監(jiān)控、智能交通管制及無人駕駛等領(lǐng)域有著廣泛的應(yīng)用。復(fù)雜環(huán)境下視頻多目標(biāo)跟蹤應(yīng)用中,除了光照變化、目標(biāo)形變和目標(biāo)遮擋等問題,目標(biāo)數(shù)目未知、新生目標(biāo)不確定、圖像模糊及雜波干擾等復(fù)雜問題,也一直是多目標(biāo)跟蹤領(lǐng)域中研究的難點(diǎn)。本文主要圍繞多伯努利濾波在視頻多目標(biāo)跟蹤中的應(yīng)用,結(jié)合目標(biāo)檢測展開深入研究,取得如下研究成果。1.針對多伯努利濾波方法在多目標(biāo)跟蹤中,難以檢測新生目標(biāo),且當(dāng)目標(biāo)出現(xiàn)互相遮擋等干擾時(shí),跟蹤精度下降,甚至出現(xiàn)目標(biāo)漏跟,以及當(dāng)漏跟目標(biāo)被重新跟蹤后,與之前運(yùn)動(dòng)軌跡難以關(guān)聯(lián)等問題,本文在多伯努利濾波框架下,結(jié)合YOLOv3檢測結(jié)果,并采用卷積特征對目標(biāo)進(jìn)行描述,計(jì)算相鄰幀目標(biāo)的相似度矩陣,設(shè)計(jì)新生目標(biāo)識(shí)別和漏跟目標(biāo)的重識(shí)別策略,以實(shí)現(xiàn)對目標(biāo)新生的判別和漏跟目標(biāo)的連續(xù)估計(jì);此外,在模板更新時(shí),融合高置信度檢測,提出遮擋目標(biāo)處理機(jī)制,有效提高目標(biāo)跟蹤精度。最后,采用標(biāo)準(zhǔn)數(shù)據(jù)集中具有挑戰(zhàn)性的視頻序列進(jìn)行算法測試,驗(yàn)證了提出算法的有效性。2.針對目標(biāo)檢測器在實(shí)際應(yīng)用中,受目標(biāo)遮擋、背景復(fù)雜、目標(biāo)視頻模... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Faster-RCNN基本結(jié)構(gòu)

第二章視頻目標(biāo)檢測與跟蹤理論9圖2-4YOLOv3目標(biāo)檢測原理YOLOv3采用Darknet-53作為特征提取的網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)如圖2-5所示，由連續(xù)的33和11卷積層組成，融合殘差網(wǎng)絡(luò)(ResidualNeuralNetwork，ResNet)的殘差塊(ResidualBlock)，將整個(gè)網(wǎng)絡(luò)分為多個(gè)子段逐階段訓(xùn)練，采用shortcut的連接方式對每個(gè)子段的殘差進(jìn)行訓(xùn)練，從而達(dá)到總體殘差最校YOLOv3在三個(gè)不同尺度上預(yù)測邊界框，每個(gè)尺度預(yù)測3個(gè)邊界框，尺度內(nèi)進(jìn)行局部特征交互，在基礎(chǔ)網(wǎng)絡(luò)之后，添加一系列卷積層得到特征圖，在此基礎(chǔ)上，進(jìn)行位置回歸與分類，此過程為最小尺度預(yù)測；將上一尺度中的卷積層上采樣與最后一個(gè)1616大小的特征圖連接，再次通過多個(gè)卷積后輸出預(yù)測信息；同理，將中間尺度的卷積層上采樣與最后一個(gè)3232大小的特征圖連接，經(jīng)過一系列卷積得到最大尺度上的邊界框預(yù)測。TypeFilterSizeOutputConvolutional323x3256x256Convolutional643x3/2128x128Convolutional321x1Convolutional643x3Residual128x1281xConvolutional1283x3/264x64Convolutional641x1Convolutional1283x3Residual64x642xConvolutional2563x3/232x32Convolutional1281x18xConvolutional2563x3Residual32x32Convolutional2561x18xConvolutional5123x3Residual16x16Convolutional5123x3/216x16Convolutional5121x14xConvolutional10243x3Residual8x8Convolutional10243x3/28x8AvgpoolGlobalConnected1000SoftmaxConvsConvsConvsYOLOv3Detectionscale1scale2scale3圖2-5Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)

江南大學(xué)碩士論文16在目標(biāo)特征圖上進(jìn)行背景信息減除:(),1,,obobiiiiiCCCFFIid(3-3)提取弱化背景信息的特征圖1{}diiCC，將特征圖按行展開并順序拼接，得到最終的一維卷積特征f，其中，2(nw)dfR。(3)相似度計(jì)算為了更準(zhǔn)確地評(píng)價(jià)兩個(gè)框的相似程度，本章在目標(biāo)跟蹤過程中，通過式(3-4)，計(jì)算出相似度,用于目標(biāo)模板、檢測框、跟蹤框等之間的相似性度量，12||||()hfffhgfe(3-4)其中，hf、f分別為兩個(gè)框的卷積特征，12f表示f的二范數(shù)。3.2基于YOLOv3檢測的多伯努利視頻多目標(biāo)跟蹤本章在多伯努利濾波框架下，引入YOLOv3檢測算法對視頻幀進(jìn)行預(yù)檢測，通過計(jì)算相鄰幀檢測框的相似度矩陣，并進(jìn)行檢測框的初步匹配，加入目標(biāo)標(biāo)簽信息識(shí)別身份，融合高置信度檢測框、目標(biāo)軌跡和目標(biāo)模板，以剔除干擾雜波，提出目標(biāo)新生識(shí)別和漏跟目標(biāo)重識(shí)別策略以實(shí)現(xiàn)對目標(biāo)軌跡的連續(xù)估計(jì)，此外，設(shè)計(jì)目標(biāo)遮擋處理機(jī)制，提出目標(biāo)模板自適應(yīng)更新策略，進(jìn)一步實(shí)現(xiàn)多目標(biāo)的優(yōu)化跟蹤。本章算法基本框架如圖3-1所示。圖3-1提出算法的框架圖3.2.1相鄰幀目標(biāo)檢測(1)相鄰幀目標(biāo)檢測采用YOLOv3算法檢測第k和k1幀視頻序列，記第k幀檢測框個(gè)數(shù)為n，檢測框狀態(tài)集為1{}iklnkkiSs，第k1幀檢測框個(gè)數(shù)為m，其檢測框狀態(tài)集為1111{}iklmkkiSs，其中，[,,,,]iiiiikkkkklllllikkkkkksxywhl表示第i個(gè)檢測框狀態(tài)向量，參數(shù),,,,iiiikkkkllllikkkkkxywhl=h分別表示第k幀第i個(gè)檢測框左上角的橫坐標(biāo)、縱坐標(biāo)，以及檢測框的寬、高和標(biāo)簽。(2)相似度矩陣計(jì)算

【參考文獻(xiàn)】：
期刊論文
[1]計(jì)算機(jī)視頻監(jiān)控系統(tǒng)設(shè)計(jì)及應(yīng)用研究[J]. 梁靜.  電子設(shè)計(jì)工程. 2019(13)
[2]智能交通系統(tǒng)主要技術(shù)的發(fā)展[J]. 陸化普.  科技導(dǎo)報(bào). 2019(06)
[3]卷積特征多伯努利視頻多目標(biāo)跟蹤算法[J]. 楊金龍,湯玉,張光南.  計(jì)算機(jī)科學(xué)與探索. 2019(11)
[4]標(biāo)簽一致K-SVD稀疏編碼視頻跟蹤算法[J]. 楊金龍,陳小平,湯玉,徐壯.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(02)
[5]基于視覺的目標(biāo)檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟.  自動(dòng)化學(xué)報(bào). 2016(10)
[6]空中預(yù)警和控制系統(tǒng)的發(fā)展趨勢[J]. 張穎,吳劍勇,秦五詩.  國際航空. 2007(11)



本文編號(hào)：2969537