近年來,隨著科技的飛躍式進(jìn)步,以及人民的生活水平的不斷提高,人們對(duì)公眾安全防范的需求也在不斷地增長(zhǎng)。我國(guó)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(chǎng)合的各個(gè)角落,視頻監(jiān)控系統(tǒng)已經(jīng)成為社會(huì)公共區(qū)域安全監(jiān)測(cè)平臺(tái)的核心部分�；谟�(jì)算機(jī)視覺的目標(biāo)檢測(cè)、跟蹤、識(shí)別是智能監(jiān)控系統(tǒng)的關(guān)鍵技術(shù),也是當(dāng)下國(guó)內(nèi)外學(xué)術(shù)和工程的研究熱點(diǎn)。行人檢測(cè)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(duì)視野中的行人進(jìn)行檢測(cè)和跟蹤,獲取行為軌跡信息,是對(duì)監(jiān)測(cè)目標(biāo)的行為進(jìn)行自動(dòng)分析和理解的前提。在實(shí)際應(yīng)用場(chǎng)景中,目前的跟蹤技術(shù)還存在諸多挑戰(zhàn),如光照強(qiáng)度的變化、目標(biāo)移動(dòng)過快、形變嚴(yán)重、出現(xiàn)遮擋等因素都容易導(dǎo)致目標(biāo)丟失。跟蹤目標(biāo)軌跡的準(zhǔn)確完整記錄,對(duì)跟蹤系統(tǒng)的魯棒性和實(shí)時(shí)性提出了較高的要求。本文針對(duì)特定行人目標(biāo)的長(zhǎng)時(shí)跟蹤問題,提出了一個(gè)基于目標(biāo)跟蹤丟失后的重檢測(cè)和再識(shí)別的機(jī)制,實(shí)現(xiàn)一個(gè)對(duì)高魯棒實(shí)時(shí)的行人長(zhǎng)時(shí)跟蹤方法。本文的主要工作內(nèi)容包括以下幾個(gè)方面:（1）研究了基于計(jì)算機(jī)視覺的行人跟蹤方法,為了能夠同時(shí)保證跟蹤準(zhǔn)確度與實(shí)時(shí)性,利用了一個(gè)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(duì)其進(jìn)行了算法改進(jìn)。經(jīng)實(shí)驗(yàn)... 

【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(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)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(biāo)的候選區(qū)域，然后對(duì)每個(gè)候選區(qū)域進(jìn)行以深度學(xué)習(xí)方類的方案進(jìn)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(biāo)檢測(cè)框架。 RCNN 到 Faster-Rcnnrshick 從 RCNN 開始將深度學(xué)習(xí)引入到目標(biāo)檢測(cè)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(jì)算，大大提高了計(jì)算速度和檢測(cè)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(gè)候選區(qū)域進(jìn)行尺寸歸一化后輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特后將這些候選區(qū)域的特征用 SVM 分類器進(jìn)行分類，并且使用回歸器精細(xì)修置。

：使用一系列特定類別的線性 SVM 分類器。針對(duì)每一個(gè)類別分別器進(jìn)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(cè)的結(jié)果，往往忽略了候選框?qū)?zhǔn)的精確性，使得跟目標(biāo)需要一個(gè)位置精修步驟。針對(duì)每一類目標(biāo)，使用線性脊回歸器進(jìn)-net 是在 RCNN 方法的基礎(chǔ)上去掉了對(duì)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(duì)比較耗時(shí)的卷積操作只進(jìn)行一次，然后對(duì)卷積層的輸出特征圖選區(qū)域池化為一個(gè)固定長(zhǎng)度的特征，提升了 RCNN 檢測(cè)的速度

【參考文獻(xiàn)】：
期刊論文
[1]目標(biāo)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(jì)算法研究[D]. 張?zhí)扃?哈爾濱工業(yè)大學(xué) 2017



本文編號(hào)：3056628