對(duì)視頻中的多個(gè)被關(guān)注對(duì)象進(jìn)行維持固定身份標(biāo)識(shí)的追蹤,也就是多目標(biāo)跟蹤(Multi-Object Tracking,MOT),一直是眾多研究者們所感興趣的問(wèn)題。其在應(yīng)用于安防、工業(yè)、交通和軍事領(lǐng)域等眾多更復(fù)雜的計(jì)算機(jī)視覺(jué)系統(tǒng)中都能發(fā)揮獨(dú)特的效果。離線跟蹤能夠利用整段的視頻提供完整的時(shí)空信息來(lái)支撐跟蹤,而在線跟蹤僅能利用當(dāng)前幀和歷史幀等已知信息來(lái)構(gòu)建目標(biāo)軌跡�；谠诰�跟蹤的特性,其能夠滿足諸如視頻監(jiān)控、自動(dòng)駕駛等場(chǎng)景中所需要的實(shí)時(shí)性要求。因此,能夠進(jìn)行實(shí)時(shí)跟蹤的在線跟蹤算法以及其實(shí)現(xiàn)過(guò)程中碰到的相關(guān)問(wèn)題是本文的首要關(guān)注點(diǎn)。傳統(tǒng)的多目標(biāo)跟蹤算法,采用人工手段來(lái)設(shè)定被跟蹤對(duì)象。而基于檢測(cè)的跟蹤范式則是從給定的視頻每一幀的檢測(cè)結(jié)果中獲取當(dāng)前場(chǎng)景中所有物體的位置和類(lèi)別,再?zèng)Q定算法所關(guān)注的對(duì)象并加以跟蹤。隨著深度學(xué)習(xí)技術(shù)被應(yīng)用到目標(biāo)檢測(cè)領(lǐng)域并帶來(lái)巨大的性能提升,研究者們都將注意力集中到了基于檢測(cè)的跟蹤范式上,并設(shè)計(jì)出了一系列具有優(yōu)異跟蹤性能的視頻多目標(biāo)跟蹤器。然而,當(dāng)前的檢測(cè)算法無(wú)法在一些目標(biāo)遮擋嚴(yán)重以及目標(biāo)數(shù)量較多的視頻場(chǎng)景中完全準(zhǔn)確地識(shí)別和定位感興趣的目標(biāo),得到的檢測(cè)結(jié)果中存在著大量的漏檢和誤檢。...

【文章頁(yè)數(shù)】：128 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外發(fā)展現(xiàn)狀
    1.3 多目標(biāo)跟蹤的關(guān)鍵技術(shù)難題
    1.4 主要研究?jī)?nèi)容簡(jiǎn)介
    1.5 論文結(jié)構(gòu)安排
第二章 相關(guān)基礎(chǔ)知識(shí)
    2.1 網(wǎng)絡(luò)模型基礎(chǔ)知識(shí)
        2.1.1 殘差神經(jīng)網(wǎng)絡(luò)Resnet
        2.1.2 特征金字塔FPN
        2.1.3 faster-RCNN
    2.2 運(yùn)動(dòng)模型基礎(chǔ)知識(shí)
        2.2.1 勻速運(yùn)動(dòng)模型
        2.2.2 卡爾曼濾波器
        2.2.3 增強(qiáng)相關(guān)系數(shù)算法
    2.3 數(shù)據(jù)集以及評(píng)估指標(biāo)
        2.3.1 常用數(shù)據(jù)集
        2.3.2 評(píng)估指標(biāo)
第三章 基于預(yù)測(cè)細(xì)化和遮擋分類(lèi)的多目標(biāo)跟蹤算法
    3.1 引言
    3.2 相關(guān)工作
        3.2.1 遮擋處理
        3.2.2 目標(biāo)檢測(cè)
    3.3 多目標(biāo)跟蹤框架
        3.3.1 跟蹤初始化
        3.3.2 運(yùn)動(dòng)預(yù)測(cè)
        3.3.3 預(yù)測(cè)細(xì)化
        3.3.4 遮擋分類(lèi)
        3.3.5 數(shù)據(jù)關(guān)聯(lián)
        3.3.6 行人重識(shí)別
        3.3.7 跟蹤管理
    3.4 網(wǎng)絡(luò)結(jié)構(gòu)與目標(biāo)函數(shù)
        3.4.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 訓(xùn)練損失
    3.5 實(shí)驗(yàn)
        3.5.1 數(shù)據(jù)集
        3.5.2 評(píng)估指標(biāo)
        3.5.3 實(shí)現(xiàn)細(xì)節(jié)
        3.5.4 消融實(shí)驗(yàn)
        3.5.5 遮擋分類(lèi)分析
        3.5.6 運(yùn)動(dòng)模型分析
        3.5.7 基準(zhǔn)數(shù)據(jù)集評(píng)估
    3.6 討論
    3.7 本章小結(jié)
第四章 基于跟蹤模擬訓(xùn)練和多功能聚合的多目標(biāo)跟蹤算法
    4.1 引言
    4.2 相關(guān)工作
        4.2.1 外觀模型
        4.2.2 端對(duì)端的訓(xùn)練
        4.2.3 車(chē)輛跟蹤
    4.3 運(yùn)動(dòng)模型與網(wǎng)絡(luò)模型
        4.3.1 運(yùn)動(dòng)預(yù)測(cè)
        4.3.2 網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.3 訓(xùn)練過(guò)程
        4.3.4 行人重識(shí)別模塊
        4.3.5 跟蹤管理
    4.4 實(shí)驗(yàn)
        4.4.1 數(shù)據(jù)集
        4.4.2 評(píng)估指標(biāo)
        4.4.3 實(shí)驗(yàn)細(xì)節(jié)
        4.4.4 基準(zhǔn)數(shù)據(jù)集評(píng)估
        4.4.5 消融研究
        4.4.6 兼容性研究
        4.4.7 訓(xùn)練損失分析
        4.4.8 視覺(jué)化結(jié)果
    4.5 討論
    4.6 本章小結(jié)
第五章 基于二源運(yùn)動(dòng)預(yù)測(cè)的多目標(biāo)跟蹤算法
    5.1 引言
    5.2 相關(guān)工作
        5.2.1 軌跡預(yù)測(cè)算法
        5.2.2 Transformer
    5.3 運(yùn)動(dòng)預(yù)測(cè)模型
        5.3.1 運(yùn)動(dòng)預(yù)測(cè)過(guò)程
        5.3.2 網(wǎng)絡(luò)結(jié)構(gòu)
        5.3.3 跟蹤流程
    5.4 實(shí)驗(yàn)
        5.4.1 數(shù)據(jù)集
        5.4.2 評(píng)估指標(biāo)
        5.4.3 實(shí)驗(yàn)設(shè)置
        5.4.4 基準(zhǔn)數(shù)據(jù)集評(píng)估
        5.4.5 運(yùn)動(dòng)模型對(duì)比
        5.4.6 網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比
        5.4.7 相機(jī)運(yùn)動(dòng)信息分析
        5.4.8 跟蹤框架對(duì)比
    5.5 討論
    5.6 本章小結(jié)
第六章 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
附錄:攻讀博士期間發(fā)表的論文



本文編號(hào)：4043336