發(fā)布時(shí)間：2021-01-16 02:53

　　視頻內(nèi)容的理解和分析是計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱門(mén)問(wèn)題之一,在公共安全、自動(dòng)駕駛以及人機(jī)交互等多個(gè)領(lǐng)域都有著廣泛的應(yīng)用前景。本文圍繞監(jiān)控視頻中行人感知與分析中的關(guān)鍵問(wèn)題展開(kāi)研究,分別對(duì)視頻中個(gè)體和群體的行為進(jìn)行分析。從個(gè)體行為的角度,利用運(yùn)動(dòng)目標(biāo)檢測(cè)和目標(biāo)跟蹤將行人從視頻序列中分別分割出來(lái),進(jìn)而使用行為識(shí)別模型進(jìn)行分類(lèi);對(duì)于群體行為,通過(guò)人數(shù)統(tǒng)計(jì)模型對(duì)視頻幀的人群密度進(jìn)行估計(jì)。基于該研究思路,本文著重研究了運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)跟蹤、行為識(shí)別以及人數(shù)統(tǒng)計(jì)等四個(gè)方面內(nèi)容。主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)概述如下:（1）構(gòu)建了一種基于自適應(yīng)效能樣本的目標(biāo)檢測(cè)模型。目前基于樣本的檢測(cè)方法均假設(shè)每個(gè)樣本具有等同的重要性,這使得在模型更新的時(shí)候易于錯(cuò)誤更新有效樣本,從而導(dǎo)致較低的準(zhǔn)確率。為此,本文提出用可變的權(quán)重去衡量樣本的重要性,并用效能去評(píng)估樣本的活動(dòng)性,進(jìn)而使得模型可以簡(jiǎn)單有效地識(shí)別有效樣本。為了快速適應(yīng)場(chǎng)景的變化,本文又提出了一種新的更新策略:首先提出了一種最小權(quán)值更新策略以避免有效樣本錯(cuò)誤的更新;其次提出了獎(jiǎng)勵(lì)懲罰權(quán)重策略以加強(qiáng)正樣本的權(quán)重并懲罰其他的樣本;最后提出了定量的空間傳播機(jī)制以減少鬼影等噪聲的影... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：126 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)
        1.2.2 目標(biāo)跟蹤
        1.2.3 行為識(shí)別
        1.2.4 人數(shù)統(tǒng)計(jì)
    1.3 公開(kāi)的數(shù)據(jù)庫(kù)
    1.4 論文主要研究工作
        1.4.1 研究?jī)?nèi)容
        1.4.2 論文的組織結(jié)構(gòu)
第二章 基于自適應(yīng)效能樣本的目標(biāo)檢測(cè)模型
    2.1 引言
    2.2 自適應(yīng)效能樣本模型
        2.2.1 背景模型
        2.2.2 背景分類(lèi)
        2.2.3 背景模型初始化
        2.2.4 背景模型更新
        2.2.5 模型參數(shù)的自適應(yīng)反饋
    2.3 實(shí)驗(yàn)結(jié)果與分析
        2.3.1 模型初始化
        2.3.2 CDNet數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果
    2.4 本章小結(jié)
第三章 基于自相關(guān)表示的目標(biāo)跟蹤模型
    3.1 引言
    3.2 自相關(guān)表示模型
    3.3 基于自相關(guān)表示的目標(biāo)跟蹤模型
        3.3.1 粒子濾波
        3.3.2 觀測(cè)模型
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 算法評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.2 算法定量的對(duì)比
        3.4.3 算法定性的對(duì)比
    3.5 本章小結(jié)
第四章 基于雙路3D卷積網(wǎng)絡(luò)的行為識(shí)別模型
    4.1 引言
    4.2 3D卷積網(wǎng)絡(luò)的優(yōu)點(diǎn)及局限
        4.2.1 2D和3D卷積網(wǎng)絡(luò)的對(duì)比
        4.2.2 3D網(wǎng)絡(luò)的局限及發(fā)展
    4.3 雙路3D卷積網(wǎng)絡(luò)
        4.3.1 基礎(chǔ)網(wǎng)絡(luò)
        4.3.2 時(shí)空降采樣模塊
        4.3.3 細(xì)分支
        4.3.4 粗分支
        4.3.5 側(cè)邊連接
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)配置
        4.4.2 數(shù)據(jù)庫(kù)
        4.4.3 消融實(shí)驗(yàn)
        4.4.4 實(shí)驗(yàn)結(jié)果對(duì)比
    4.5 監(jiān)控視頻中行人分析案例
    4.6 本章小結(jié)
第五章 基于掩膜感知深度網(wǎng)絡(luò)的人數(shù)統(tǒng)計(jì)模型
    5.1 引言
    5.2 掩膜感知的深度網(wǎng)絡(luò)模型
        5.2.1 高斯密度估計(jì)
        5.2.2 方法總覽
        5.2.3 主干網(wǎng)絡(luò)
        5.2.4 掩膜預(yù)測(cè)分支
        5.2.5 掩膜感知的密度回歸
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 評(píng)價(jià)指標(biāo)
        5.3.2 數(shù)據(jù)庫(kù)
        5.3.3 實(shí)驗(yàn)配置
        5.3.4 解決方案的分析
        5.3.5 消融實(shí)驗(yàn)
        5.3.6 實(shí)驗(yàn)結(jié)果對(duì)比
    5.4 監(jiān)控視頻中人數(shù)統(tǒng)計(jì)案例
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀博士學(xué)位期間取得的學(xué)術(shù)成果及項(xiàng)目情況


【參考文獻(xiàn)】：
博士論文
[1]基于結(jié)構(gòu)化判別模型的視覺(jué)跟蹤算法研究[D]. 孫沖.大連理工大學(xué) 2018
[2]基于視頻的人類(lèi)行為識(shí)別方法研究[D]. 劉志康.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[3]基于深度學(xué)習(xí)的行人再識(shí)別研究[D]. 朱福慶.大連理工大學(xué) 2018



本文編號(hào)：2980016