隨著社會文明和科學(xué)技術(shù)的不斷進(jìn)步,人們對視頻設(shè)備的智能化需求日益增長,使得計(jì)算機(jī)視覺技術(shù)備受關(guān)注。作為計(jì)算機(jī)視覺技術(shù)的重要組成部分,多目標(biāo)跟蹤已經(jīng)成為機(jī)器視覺和人工智能領(lǐng)域的研究熱點(diǎn)。目前,多目標(biāo)跟蹤技術(shù)的研究雖然已經(jīng)取得突破性的進(jìn)展,但是復(fù)雜場景下的多目標(biāo)跟蹤仍然面臨諸多挑戰(zhàn):（1）由于受背景噪聲等情況的干擾,視頻序列中的運(yùn)動目標(biāo)檢測可靠性較低,將這些檢測目標(biāo)作為跟蹤目標(biāo)候選區(qū)域時,容易發(fā)生目標(biāo)跟丟和漂移等現(xiàn)象;（2）視野中存在頻繁遮擋、相似目標(biāo)、目標(biāo)形變等復(fù)雜場景,增加了多目標(biāo)跟蹤器發(fā)生身份誤切換等錯誤的概率;（3）多目標(biāo)跟蹤場景通常目標(biāo)數(shù)目是可變的,跟蹤器需要根據(jù)檢測結(jié)果自動地初始化新目標(biāo),然而檢測誤差嚴(yán)重影響目標(biāo)初始化準(zhǔn)確度。針對以上幾種挑戰(zhàn),本文研究基于檢測的數(shù)據(jù)關(guān)聯(lián)多目標(biāo)跟蹤方法,主要內(nèi)容及創(chuàng)新點(diǎn)歸納如下:1.針對傳統(tǒng)光流法運(yùn)動目標(biāo)檢測容易受到噪聲干擾的問題,構(gòu)建一種權(quán)重系數(shù)自適應(yīng)光流法運(yùn)動目標(biāo)檢測框架,避免人工設(shè)置權(quán)重系數(shù)所造成的光流場誤差。提出基于兩層模糊C均值（Fuzzy C-Means,FCM）聚類算法的權(quán)重系數(shù)自適應(yīng)尋優(yōu)策略,克服了Horn-Schunck光流法不... 

【文章頁數(shù)】：145 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
縮略語注釋表
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 基于濾波技術(shù)的多目標(biāo)跟蹤方法
        1.2.2 基于檢測的數(shù)據(jù)關(guān)聯(lián)多目標(biāo)跟蹤方法
    1.3 多目標(biāo)跟蹤公開數(shù)據(jù)庫
    1.4 多目標(biāo)跟蹤的技術(shù)難點(diǎn)
    1.5 本文主要研究內(nèi)容
    1.6 章節(jié)安排
第二章 權(quán)重系數(shù)自適應(yīng)光流法運(yùn)動目標(biāo)檢測
    2.1 前言
    2.2 基于光流法的運(yùn)動目標(biāo)檢測
        2.2.1 光流估計(jì)算法
        2.2.2 基于Horn-Schunck光流法的運(yùn)動目標(biāo)檢測
    2.3 權(quán)重系數(shù)自適應(yīng)光流法運(yùn)動目標(biāo)檢測
        2.3.1 權(quán)重系數(shù)的重要性
        2.3.2 自適應(yīng)選取權(quán)重系數(shù)的原理
        2.3.3 算法實(shí)現(xiàn)
    2.4 實(shí)驗(yàn)結(jié)果和分析
    2.5 本章小結(jié)
第三章 基于時空特征融合的多目標(biāo)跟蹤方法
    3.1 前言
    3.2 時空特征的定義
    3.3 基于加速度特征的時空特征融合多目標(biāo)跟蹤
        3.3.1 加速度特征
        3.3.2 融合加速度特征的時空特征模型
        3.3.3 算法實(shí)現(xiàn)
        3.3.4 實(shí)驗(yàn)結(jié)果和分析
    3.4 基于時空漸進(jìn)特征模型的抗遮擋多目標(biāo)跟蹤
        3.4.1 遮擋推理
        3.4.2 時空漸進(jìn)特征模型
        3.4.3 算法實(shí)現(xiàn)
        3.4.4 實(shí)驗(yàn)結(jié)果和分析
    3.5 本章小結(jié)
第四章 基于主塊和時空特征模型的分級數(shù)據(jù)關(guān)聯(lián)多目標(biāo)跟蹤方法
    4.1 前言
    4.2 主塊和時空特征模型
        4.2.1 主塊特征模型
        4.2.2 時空特征模型
    4.3 分級數(shù)據(jù)關(guān)聯(lián)
        4.3.1 分級數(shù)據(jù)關(guān)聯(lián)準(zhǔn)則
        4.3.2 基于主塊特征模型的目標(biāo)局部區(qū)域數(shù)據(jù)關(guān)聯(lián)
        4.3.3 基于時空特征模型的目標(biāo)全局區(qū)域數(shù)據(jù)關(guān)聯(lián)
    4.4 多目標(biāo)跟蹤方法實(shí)現(xiàn)
    4.5 實(shí)驗(yàn)結(jié)果和分析
    4.6 本章小結(jié)
第五章 帶有目標(biāo)初始化濾波器的深度時空特征融合多目標(biāo)跟蹤方法
    5.1 前言
    5.2 目標(biāo)初始化濾波器
        5.2.1 候選新目標(biāo)提取
        5.2.2 基于Gaussian映射的目標(biāo)重疊率估計(jì)
        5.2.3 目標(biāo)初始化濾波算法實(shí)現(xiàn)
    5.3 深度時空特征模型
        5.3.1 基于PCANet的深度卷積神經(jīng)網(wǎng)絡(luò)
        5.3.2 深度時空特征模型構(gòu)建
    5.4 多目標(biāo)跟蹤方法實(shí)現(xiàn)
    5.5 實(shí)驗(yàn)結(jié)果和分析
    5.6 本章小結(jié)
第六章 結(jié)論與展望
    6.1 全文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀博士學(xué)位期間的研究成果及參與的科研項(xiàng)目
學(xué)位論文評閱及答辯情況表



本文編號：3707760