近年來,隨著科技的飛躍式進步,以及人民的生活水平的不斷提高,人們對公眾安全防范的需求也在不斷地增長。我國在“智慧城市”、“平安城市”等主題提出后,視頻監(jiān)控設(shè)備陸續(xù)遍布公共場合的各個角落,視頻監(jiān)控系統(tǒng)已經(jīng)成為社會公共區(qū)域安全監(jiān)測平臺的核心部分�；谟嬎銠C視覺的目標檢測、跟蹤、識別是智能監(jiān)控系統(tǒng)的關(guān)鍵技術(shù),也是當下國內(nèi)外學(xué)術(shù)和工程的研究熱點。行人檢測與跟蹤技術(shù)是智能監(jiān)控領(lǐng)域中關(guān)鍵問題之一,它對視野中的行人進行檢測和跟蹤,獲取行為軌跡信息,是對監(jiān)測目標的行為進行自動分析和理解的前提。在實際應(yīng)用場景中,目前的跟蹤技術(shù)還存在諸多挑戰(zhàn),如光照強度的變化、目標移動過快、形變嚴重、出現(xiàn)遮擋等因素都容易導(dǎo)致目標丟失。跟蹤目標軌跡的準確完整記錄,對跟蹤系統(tǒng)的魯棒性和實時性提出了較高的要求。本文針對特定行人目標的長時跟蹤問題,提出了一個基于目標跟蹤丟失后的重檢測和再識別的機制,實現(xiàn)一個對高魯棒實時的行人長時跟蹤方法。本文的主要工作內(nèi)容包括以下幾個方面:（1）研究了基于計算機視覺的行人跟蹤方法,為了能夠同時保證跟蹤準確度與實時性,利用了一個端到端的離線深度學(xué)習(xí)模型用于在線跟蹤的方案并對其進行了算法改進。經(jīng)實驗... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）是一種特殊類型的前饋神經(jīng)網(wǎng)

先用傳統(tǒng)方法提取目標的候選區(qū)域，然后對每個候選區(qū)域進行以深度學(xué)習(xí)方類的方案進行類別判斷，如：RCNN、Fast-RCNN、Faster-RCNN、SPP-net、R-方法。這一部分介紹 R Girshick[26]提出的以 RCNN 為代表的區(qū)域生成方法和 C絡(luò)相結(jié)合的目標檢測框架。 RCNN 到 Faster-Rcnnrshick 從 RCNN 開始將深度學(xué)習(xí)引入到目標檢測領(lǐng)域中，然后陸續(xù)經(jīng)過多次改出 Faster- RCNN 方法，將所有步驟都統(tǒng)一在深度學(xué)習(xí)網(wǎng)絡(luò)中，并且可以在 計算，大大提高了計算速度和檢測精度。RCNNNN 方法中包含三部分，首先使用 selective search 算法從圖片中生成 2000 然后將這 2000 個候選區(qū)域進行尺寸歸一化后輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行特后將這些候選區(qū)域的特征用 SVM 分類器進行分類，并且使用回歸器精細修置。

：使用一系列特定類別的線性 SVM 分類器。針對每一個類別分別器進行判別。輸入到 SVM 里面的特征是卷積網(wǎng)絡(luò)輸出的 4096 維：類器檢測的結(jié)果，往往忽略了候選框?qū)实木_性，使得跟目標需要一個位置精修步驟。針對每一類目標，使用線性脊回歸器進-net 是在 RCNN 方法的基礎(chǔ)上去掉了對原始圖像上的 crop 或 warp 等積輸出的特征圖上處理的空間金字塔池化層[27]（Spatial Pyramidet 對比較耗時的卷積操作只進行一次，然后對卷積層的輸出特征圖選區(qū)域池化為一個固定長度的特征，提升了 RCNN 檢測的速度

【參考文獻】：
期刊論文
[1]目標跟蹤方法綜述[J]. 邵文坤,黃愛民,韋慶.  影像技術(shù). 2006(01)

博士論文
[1]基于聚類的圖像分割算法研究[D]. 李艷靈.華中科技大學(xué) 2009

碩士論文
[1]基于深度學(xué)習(xí)的行人流量統(tǒng)計算法研究[D]. 張?zhí)扃?哈爾濱工業(yè)大學(xué) 2017



本文編號：3056628