隨著科學技術的發(fā)展,視頻中的多目標跟蹤技術一直以來是很多人工智能研究學者的一項重要研究內容。人體多目標跟蹤在視頻監(jiān)控、無人駕駛和人體運動分析等領域得到廣泛應用。盡管很多研究人員已經在多目標跟蹤上取得很大的成就,但是由于光照、人體交錯運動、遮擋、形變等眾多因素的影響,依然存在一些需要解決的問題。多目標跟蹤效果的好壞也與目標檢測也有密切的聯(lián)系。本文針對不同的影響因素,主要研究內容及創(chuàng)新如下:（1）針對SSD目標檢測算法在檢測過程中需要對提取特征圖中的每個網格進行多框預測的復雜問題,提出了一種避免冗余計算的改進方法。先獲視野中的背景進行背景建模,利用基于自組織的背景減除法獲取當前視頻幀中目標出現(xiàn)的區(qū)域,然后利用SSD對目標區(qū)域框進行分類,獲取檢測到的人體目標,避免了對只包含背景特征的網格單元進行多框檢測。針對SSD檢測算法對小目標檢測效果不佳的問題,提出一種利用上下文信息實現(xiàn)特征融合的方法。（2）針對多目標跟蹤過程中目標的區(qū)域密集度和跟蹤的實時性問題,提出了一種基于區(qū)域劃分的多目標跟蹤算法。先將檢測獲得的目標作為圖的結點,利用相關聚類算法進行區(qū)域劃分,然后利用檢測目標與跟蹤目標的相關性將跟蹤... 

【文章來源】：遼寧大學遼寧省 211工程院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

RGB顏色空間分布圖

圖優(yōu)點在于不會因為目標的形狀變化受到影響，但，不同的光照強度下的同一視頻幀會因此產生不同征達到更好的應用效果，Van 等人[35]在 2009 年將 RG1 中顏色，在目標跟蹤的應用中也產生更好的效果。度直方圖圖 2-2 R、G、B 顏色直方圖

第 2 章 相關知識介紹法，在 opencv 中可直接被引用。梯度特征主要體現(xiàn)目標的顯。提取 HOG 特征主要凸顯的是目標的輪廓。傳統(tǒng)的 H維度，在 2010 年，F(xiàn)orsyth 等人[36]對 HOG 特征進行更深征擴展為 31 維，包括 18 維有符號梯度方向直方圖、9 維和 4 維 cell 對角線區(qū)域累加得到直方圖。特征的提取過程具體如圖 2-3 所示：

【參考文獻】：
期刊論文
[1]基于Lab色彩空間和模板匹配的實時交通燈識別算法[J]. 徐成,譚乃強,劉彥.  計算機應用. 2010(05)



本文編號：3508480