【摘要】：隨著視頻監(jiān)控系統(tǒng)在數(shù)字化、網(wǎng)絡(luò)化、智能化和集成化方向飛速發(fā)展,整個(gè)視頻監(jiān)控行業(yè)已經(jīng)快速進(jìn)入智能監(jiān)控時(shí)代。智能視頻監(jiān)控中的行人目標(biāo)發(fā)現(xiàn)與跟蹤技術(shù)是目前非常熱門的研究課題,有著重要的應(yīng)用價(jià)值和研究意義。然而,自然條件下獲取的監(jiān)控視頻,由于環(huán)境復(fù)雜多變,給行人目標(biāo)檢測(cè)跟蹤帶來諸多挑戰(zhàn)。針對(duì)各種復(fù)雜監(jiān)控場(chǎng)景,如何設(shè)計(jì)實(shí)現(xiàn)效率高、魯棒性好、實(shí)時(shí)性強(qiáng)的行人目標(biāo)檢測(cè)跟蹤方法仍然是當(dāng)今業(yè)界研究的難點(diǎn)。論文在總結(jié)國內(nèi)外研究成果的基礎(chǔ)上,以監(jiān)控領(lǐng)域非剛性的行人目標(biāo)為主要研究對(duì)象,利用多特征協(xié)同學(xué)習(xí)對(duì)行人目標(biāo)進(jìn)行分析研究,擬實(shí)現(xiàn)多特征協(xié)同學(xué)習(xí)的目標(biāo)檢測(cè)跟蹤,尤其是在提高復(fù)雜背景下行人檢測(cè)與跟蹤的精度方面,具有重要的理論意義和實(shí)踐價(jià)值,論文的主要工作如下:(1)針對(duì)傳統(tǒng)基于HOG特征與Ada Boost算法分類器在行人檢測(cè)中存在檢測(cè)速度慢、誤差率大的問題,論文提出一種基于自編碼神經(jīng)網(wǎng)絡(luò)與Ada Boost的快速行人檢測(cè)算法。該算法首先利用基于聚合通道特征(ACF)模型的目標(biāo)檢測(cè)算法對(duì)圖像進(jìn)行預(yù)處理,獲得疑似目標(biāo)區(qū)域;然后對(duì)獲取的子區(qū)域進(jìn)行尺度歸一化,提取HOG特征,并輸入到自編碼神經(jīng)網(wǎng)絡(luò)中進(jìn)行深度編碼降維;最后利用Ada Boost分類器進(jìn)行分類檢測(cè),輸出檢測(cè)到的行人區(qū)域。仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性。(2)在核相關(guān)目標(biāo)跟蹤算法(KCF)的基礎(chǔ)上設(shè)計(jì)一種有效的多核相關(guān)協(xié)同學(xué)習(xí)模型的行人目標(biāo)跟蹤算法,該算法通過協(xié)同學(xué)習(xí)模型將HOG特征與Haar-like特征整合到一個(gè)框架中,解決了單一特征無法處理復(fù)雜背景與顯著外觀變化的問題,同時(shí)較大提升了行人目標(biāo)跟蹤的性能與穩(wěn)定性。實(shí)驗(yàn)表明算法在重疊精度(OP)和跟蹤中心位置誤差(CLE)兩個(gè)評(píng)價(jià)指標(biāo)上有較大改進(jìn)。(3)在眾多基于學(xué)習(xí)的檢測(cè)跟蹤算法中,由于固定學(xué)習(xí)因子進(jìn)行線性插值模型參數(shù)更新不能完全適應(yīng)復(fù)雜背景與顯著的外觀變化,論文提出一種基于峰值旁瓣比的自適應(yīng)更新策略。實(shí)驗(yàn)分析表明,本文提出的學(xué)習(xí)因子自適應(yīng)更新目標(biāo)跟蹤算法在穩(wěn)定性和定量指標(biāo)上具有明顯優(yōu)勢(shì)。
【圖文】：

伴隨著信號(hào)處理技術(shù)和數(shù)字技術(shù)的成熟，視頻監(jiān)控系統(tǒng)在數(shù)字化、網(wǎng)絡(luò)化、集成化方向飛速發(fā)展，整個(gè)視頻監(jiān)控行業(yè)已經(jīng)快速進(jìn)入智能監(jiān)控時(shí)代。經(jīng)過，監(jiān)控行業(yè)已經(jīng)積累了大量的數(shù)據(jù)資源，非常滿足以大數(shù)據(jù)為基礎(chǔ)的人工智型訓(xùn)練的要求[1]；同時(shí)，視頻監(jiān)控行業(yè)的事前預(yù)防、事中響應(yīng)、事后追查的滿足人工智能的算法和技術(shù)要求。因此，在智能芯片、異構(gòu)模型、智能算法助推下，視頻監(jiān)控行業(yè)也從單一的安全領(lǐng)域向多行業(yè)應(yīng)用、提升生產(chǎn)效率、智能化方向發(fā)展[2]。智能視頻監(jiān)控中的目標(biāo)檢測(cè)與跟蹤技術(shù)是當(dāng)今前沿的一個(gè)熱門研究課題，有實(shí)際應(yīng)用價(jià)值和研究意義。如圖 1 所示，智能監(jiān)控系統(tǒng)獲取到視頻數(shù)據(jù)后，圖像預(yù)處理[3]，然后對(duì)圖像特征進(jìn)行分析，如目標(biāo)檢測(cè)[4]，目標(biāo)跟蹤[5]等，像內(nèi)容進(jìn)行分類、識(shí)別、決策。可以看出，目標(biāo)檢測(cè)和跟蹤作為智能視頻監(jiān)技術(shù)，其算法的好壞直接影響著運(yùn)動(dòng)目標(biāo)識(shí)別與理解的穩(wěn)定性和準(zhǔn)確性�；鶛z測(cè)跟蹤系統(tǒng)，，就是對(duì)探測(cè)器獲取的圖像序列進(jìn)行圖像信號(hào)處理分析，從視檢測(cè)到目標(biāo)信息，進(jìn)而利用跟蹤算法在隨后的序列圖像中定位出目標(biāo)的位置，為后續(xù)深層次的目標(biāo)行為理解與決策奠定基礎(chǔ)。因此，該課題是智能視頻常關(guān)鍵的步驟，具有廣泛且重要的研究價(jià)值。

2.1 行人檢測(cè)常用算法2.1.1 基于特征匹配的行人檢測(cè)行人目標(biāo)檢測(cè)是一種根據(jù)傳感器采集的圖像序列或者視頻序列信息來檢測(cè)其中是否存在行人的技術(shù)，如果采集的圖像序列中存在行人則在圖像序列中標(biāo)出其具體位置。隨著安防領(lǐng)域的快速發(fā)展，國內(nèi)外研究人員對(duì)行人檢測(cè)技術(shù)進(jìn)行深入的研究，并取得了豐碩的研究成果�，F(xiàn)有的行人檢測(cè)算法大致上可分為基于特征匹配的行人檢測(cè)方法和基于統(tǒng)計(jì)學(xué)習(xí)的行人檢測(cè)方法。前者主要是對(duì)行人的特征進(jìn)行描述，比如行人的頭、手等部件特征和人形模板特征，然后對(duì)全圖進(jìn)行掃描匹配搜索找到與行人特征最相似的區(qū)域。如果在圖像某一子區(qū)域計(jì)算出的特征與已知行人特征庫樣本的相似度達(dá)到預(yù)先設(shè)定的閾值，則可以認(rèn)為該區(qū)域具有行人，其計(jì)算框架如圖 2 所示�；谔卣髌ヅ涞男腥藱z測(cè)算法通過不同尺度的窮舉搜索找出圖像中存在的行人目標(biāo)，對(duì)簡(jiǎn)單場(chǎng)景具有較高的檢測(cè)精度，但是搜索復(fù)雜度太大不易實(shí)現(xiàn)實(shí)時(shí)的工程應(yīng)用。在復(fù)雜場(chǎng)景下，行人外觀易受穿著、尺度、遮擋、姿態(tài)和視角等影響，使得基于特征匹配的行人檢測(cè)成為計(jì)算機(jī)視覺領(lǐng)域中一個(gè)既具有研究價(jià)值同時(shí)又極具挑戰(zhàn)性的熱門課題。
【學(xué)位授予單位】：河北農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN948.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 趙娜;袁家斌;徐晗;;智能交通系統(tǒng)綜述[J];計(jì)算機(jī)科學(xué);2014年11期

2 張子龍;薛靜;喬鴻海;智永鋒;;基于改進(jìn)SURF算法的交通視頻車輛檢索方法研究[J];西北工業(yè)大學(xué)學(xué)報(bào);2014年02期

3 孫銳;侯能干;陳軍;;基于特征融合和交叉核SVM的快速行人檢測(cè)方法[J];光電工程;2014年02期

4 孫銳;陳軍;高雋;;基于顯著性檢測(cè)與HOG-NMF特征的快速行人檢測(cè)方法[J];電子與信息學(xué)報(bào);2013年08期

5 郭烈;趙宗艷;聶倩;張廣西;;利用腿部區(qū)域HOG特征的行人檢測(cè)方法[J];計(jì)算機(jī)工程與應(yīng)用;2013年01期

本文編號(hào)：2681760