多目標(biāo)跟蹤是一項計算機(jī)視覺任務(wù),多用在視頻監(jiān)控領(lǐng)域中,旨在分析視頻,識別和跟蹤行人、汽車、動物等。多目標(biāo)跟蹤有各種各樣的應(yīng)用,從視頻監(jiān)控到無人駕駛汽車,從動作識別到人群行為分析,從一般安全系統(tǒng)到顯微鏡圖像中的跟蹤單元,許多問題的分析與解決都得益于目標(biāo)跟蹤算法的發(fā)展。然而由于實際場景中目標(biāo)很容易發(fā)生遮擋或形變,從而造成跟蹤失敗,因此多目標(biāo)跟蹤仍是一項極具挑戰(zhàn)性的任務(wù)。而如何設(shè)計能夠準(zhǔn)確跟蹤目標(biāo)又不易受各種外界因素影響的特征也成為了該領(lǐng)域的研究重點(diǎn)和難點(diǎn)。為解決目標(biāo)易發(fā)生遮擋和形變等問題,提出了一種可以通過端到端的方式學(xué)習(xí)目標(biāo)表觀特征的網(wǎng)絡(luò)框架。在特征提取階段,利用該網(wǎng)絡(luò)框架可以提取來自不同卷積層、不同大小的目標(biāo)特征,將高層語義信息與低層語義信息進(jìn)行特征融合形成表觀特征,再利用當(dāng)前幀各個目標(biāo)的表觀特征和先前幀表觀特征之間的高階關(guān)系來抽象成高階表觀特征圖。為了捕捉較遠(yuǎn)位置像素點(diǎn)之間的依賴關(guān)系,融合非局部信息,加入了殘差網(wǎng)絡(luò)模塊。在數(shù)據(jù)關(guān)聯(lián)階段,用相似性矩陣來描述目標(biāo)的高階特征。通過分層數(shù)據(jù)關(guān)聯(lián)和匈牙利算法求得目標(biāo)之間的最佳匹配關(guān)系,從而使得該算法能處理大量的輸入序列以及由于檢測效果不佳導(dǎo)致的...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1目標(biāo)跟蹤的應(yīng)用（2）人機(jī)交互

墻?勘闕D與每個檢測框相關(guān)聯(lián)，以便區(qū)分類內(nèi)目標(biāo)。大多數(shù)MOT算法都是基于檢測的跟蹤，圖2.1是經(jīng)MOT算法處理后的一段視頻流，如圖2.1所示，通常從視頻流中提取一組檢測結(jié)果（即圖像中用矩形框標(biāo)識的目標(biāo)）來進(jìn)行跟蹤，最后將相同的ID分配給包含同一個目標(biāo)的矩形框�，F(xiàn)在的許多檢測框架[....

圖2.1經(jīng)MOT算法處理后的視頻流

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章多目標(biāo)跟蹤的基礎(chǔ)理論與研究11圖2.3DPM檢測流程DPM模型包含一個8×8分辨率的根濾波器（Rootfilter），被稱為根模型，和4×4分辨率的組件濾波器（Partfilter），被稱為部分模型，DPM檢測流程如圖2.3所示，在利用....

圖2.2MOT算法工作流程圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章多目標(biāo)跟蹤的基礎(chǔ)理論與研究13圖2.5尺度相關(guān)池化SDP2016年，Yang等人繼續(xù)在FastRCNN的基礎(chǔ)上做了改進(jìn)，并提出了SDP目標(biāo)檢測器[3]。SDP目標(biāo)檢測器主要做了兩點(diǎn)改進(jìn)，一是利用尺度相關(guān)池化SDP來提高小尺寸物體的檢測質(zhì)....

圖2.3DPM檢測流程

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章多目標(biāo)跟蹤的基礎(chǔ)理論與研究15在多目標(biāo)跟蹤算法中，大多數(shù)研究者都側(cè)重構(gòu)建更強(qiáng)大的目標(biāo)檢測器和設(shè)計更好的數(shù)據(jù)關(guān)聯(lián)方法。傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)方法是將目標(biāo)檢測器的輸出作為輸入，將一段軌跡段作為其輸出。由于基于檢測的跟蹤方法往往受到檢測結(jié)果的影響，即....

本文編號：3949697