隨著移動互聯(lián)網(wǎng)和機器視覺技術(shù)的發(fā)展,動態(tài)人體檢測跟蹤技術(shù)成為研究熱點,其面臨著諸多技術(shù)挑戰(zhàn)。例如:不同人體目標(biāo)的服飾存在差異性;即使針對具體個體,由于人體運動的不確定性和人體姿態(tài)的多樣性,其在不同時刻展現(xiàn)的形態(tài)也不盡相同;不確定因素（照明不良、目標(biāo)遮擋、背景雜波、陰影、運動模糊等）會影響人體檢測跟蹤的結(jié)果,造成目前的人體檢測跟蹤算法難以滿足監(jiān)控系統(tǒng)實時、精確的要求。本文針對動態(tài)人體檢測跟蹤面臨的上述挑戰(zhàn),基于人體形態(tài)特征對現(xiàn)有檢測跟蹤算法進行優(yōu)化,開展了如下工作。（1）針對人體形態(tài)變化（如人體的非剛性變形、穿著服飾變化等）和目標(biāo)遮擋等問題,通過引入屬性與或文法A-AOG（Attribute And-Or Grammar）對人體形態(tài)部件、部件間的依賴關(guān)系和部件屬性進行建模描述,為提取動態(tài)人體特征提供支持。（2）提出了一種基于A-AOG的人體檢測算法。該算法由基于人體形態(tài)部件的區(qū)域建議網(wǎng)絡(luò)HC-RPN（Human Components Region Proposal Network）、人體部件位置及屬性預(yù)測網(wǎng)絡(luò)A-PPN（Attribute and Position Predicte Ne... 

【文章頁數(shù)】：93 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 人體形態(tài)建模與特征提取技術(shù)
        1.3.2 目標(biāo)檢測技術(shù)
        1.3.3 目標(biāo)跟蹤技術(shù)
    1.4 .研究內(nèi)容
    1.5 .論文結(jié)構(gòu)
第2章 基于A-AOG人體形態(tài)建模與特征提取
    2.1 基于屬性與或文法的人體形態(tài)建模
        2.1.1 基于短語結(jié)構(gòu)文法的人體形態(tài)部件建模
        2.1.2 基于依賴文法的人體部件間關(guān)系建模
        2.1.3 基于屬性文法的人體部件屬性建模
    2.2 人體部件特征提取
        2.2.1 特征提取流程
        2.2.2 人體部件置信度特征提取
        2.2.3 人體部件的位置特征提取
    2.3 人體部件的連接關(guān)系特征提取
        2.3.1 特征提取流程
        2.3.2 連接關(guān)系矢量特征提取
        2.3.3 連接關(guān)系置信度特征提取
        2.3.4 基于二分圖的連接關(guān)系描述
    2.4 人體屬性特征提取
        2.4.1 基于One-Hot編碼的人體屬性特征表示
        2.4.2 人體屬性特征提取
    2.5 本章小結(jié)
第3章 基于A-AOG的人體檢測算法
    3.1 人體檢測算法檢測流程
        3.1.1 HC-RPN人體區(qū)域建議網(wǎng)絡(luò)
        3.1.2 A-PPN人體屬性及位置預(yù)測網(wǎng)絡(luò)
        3.1.3 HF-NMS非極大值抑制算法
    3.2 人體檢測算法網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        3.2.2 基于殘差單元的主干網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.3 基于特征金字塔的HC-RPN結(jié)構(gòu)
        3.2.4 基于inception模塊的A-PPN結(jié)構(gòu)
    3.3 人體檢測算法訓(xùn)練
        3.3.1 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法概述
        3.3.2 人體檢測算法損失函數(shù)
        3.3.3 檢測算法訓(xùn)練過程
    3.4系統(tǒng)實驗
        3.4.1 人體檢測評價指標(biāo)
        3.4.2 實驗結(jié)果
    3.5 本章小結(jié)
第4章 基于A-AOG的人體跟蹤技術(shù)
    4.1 人體跟蹤框架
        4.1.1 人體跟蹤框架運行流程
        4.1.2 多模態(tài)融合
        4.1.3 基于A-AOG的人體匹配算法
    4.2 基于卡爾曼濾波的跟蹤算法
        4.2.1 卡爾曼濾波概述
        4.2.2 基于卡爾曼濾波的跟蹤算法
    4.3 基于孿生網(wǎng)絡(luò)的跟蹤算法
        4.3.1 算法跟蹤流程
        4.3.2 孿生網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.3 損失函數(shù)與訓(xùn)練過程
    4.4系統(tǒng)實驗
        4.4.1 人體跟蹤算法評價指標(biāo)
        4.4.2 實驗結(jié)果
    4.5 本章小結(jié)
第5章 公交車乘客自動統(tǒng)計系統(tǒng)
    5.1 系統(tǒng)分析設(shè)計
        5.1.1 系統(tǒng)簡介
        5.1.2 需求分析
        5.1.3 用例分析
        5.1.4 系統(tǒng)架構(gòu)與接口設(shè)計
    5.2 系統(tǒng)實現(xiàn)
        5.2.1 系統(tǒng)環(huán)境搭建
        5.2.2 上下車人數(shù)統(tǒng)計的實現(xiàn)
    5.3 系統(tǒng)測試
        5.3.1 系統(tǒng)穩(wěn)定性測試
        5.3.2 系統(tǒng)性能測試
        5.3.3 系統(tǒng)運行結(jié)果
    5.4 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的目標(biāo)檢測算法研究進展[J]. 謝娟英,劉然.  陜西師范大學(xué)學(xué)報(自然科學(xué)版). 2019(05)
[2]基于卡爾曼預(yù)測粒子濾波的網(wǎng)球運動目標(biāo)跟蹤方法[J]. 付饒,管業(yè)鵬.  電子器件. 2019(04)
[3]基于孿生網(wǎng)絡(luò)的視覺目標(biāo)跟蹤方法[J]. 孫振,李慶黨,王璐,吳俊飛.  電子技術(shù)與軟件工程. 2019(15)
[4]基于Dinkelbach和優(yōu)化KM算法的系統(tǒng)最佳EE方案[J]. 呂文怡,曾宇,金彥亮.  工業(yè)控制計算機. 2019(07)
[5]視頻運動目標(biāo)跟蹤算法研究綜述[J]. 單明媚,王華通,鄭浩嵐,林彬.  物聯(lián)網(wǎng)技術(shù). 2019(07)
[6]壓制干擾環(huán)境下目標(biāo)跟蹤的改進粒子濾波算法[J]. 盧春光,周中良,劉宏強,阮鋮巍.  火力與指揮控制. 2019(06)
[7]基于改進匈牙利算法的非侵入式負(fù)荷匹配方法[J]. 魏恩偉,李偉華,張之涵,鄭杰.  電測與儀表. 2019(22)
[8]加強智能計算系統(tǒng)創(chuàng)新,促進人工智能發(fā)展[J]. 孫丕恕.  中國人大. 2018(21)
[9]淺析人工智能對人類生活的影響[J]. 朱彥霖.  通訊世界. 2018(09)
[10]一種基于MeanShift算法的目標(biāo)跟蹤系統(tǒng)的設(shè)計與實現(xiàn)[J]. 沈豪,莊建軍,鄭茜穎,吳建耀.  電子測量技術(shù). 2018(14)

碩士論文
[1]基于句法模式識別的中文關(guān)系抽取方法研究與實現(xiàn)[D]. 郝博.電子科技大學(xué) 2017
[2]基于深度學(xué)習(xí)和遷移學(xué)習(xí)的魯棒多線索目標(biāo)跟蹤[D]. 潘勝男.華僑大學(xué) 2016



本文編號：3694918