本文關(guān)鍵詞：智能攝像機(jī)網(wǎng)絡(luò)的目標(biāo)檢測與跟蹤算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：智能攝像機(jī)具有成本低廉、部署方便、本地處理以及無線傳輸?shù)葍?yōu)點,是未來構(gòu)建大規(guī)模智能監(jiān)控系統(tǒng)的關(guān)鍵部件。然而,基于智能攝像機(jī)的目標(biāo)檢測跟蹤算法,面臨著內(nèi)存受限、處理能力有限及能源有限等諸多挑戰(zhàn),如何為此類嵌入式設(shè)備設(shè)計輕量級的目標(biāo)檢測跟蹤算法成為一大研究熱點。本文針對適用于智能攝像機(jī)的目標(biāo)檢測與跟蹤算法開展了深入的研究,取得了如下研究成果:1)智能攝像機(jī)資源受限情況下的輕量級目標(biāo)檢測算法研究。針對智能攝像機(jī)資源(內(nèi)存、處理能力等)受限,本文設(shè)計了基于塊壓縮感知的背景差分檢測算法,融合了塊級別的差分器和像素級別的差分器,并對算法有效性進(jìn)行了分析和討論。在塊級別的差分器中,將高維空間中的原圖像塊向量表示通過壓縮感知投影到低維空間中,能夠在保證差分器性能的同時降低存儲需求。實驗表明本文所提出的目標(biāo)檢測算法具有低存儲需求、強(qiáng)魯棒性等優(yōu)點。2)目標(biāo)樣本有限和存在遮擋情況下的目標(biāo)跟蹤算法研究。面對場景中目標(biāo)遮擋和目標(biāo)樣本有限的難題,本文設(shè)計了基于二值化支持向量機(jī)的協(xié)同跟蹤算法,將生成式跟蹤模型和判別式跟蹤模型有效融合,提出了Coarse-to-Fine搜索方式。實驗結(jié)果表明,本文所提出的目標(biāo)跟蹤算法在光照突變、目標(biāo)被遮擋和存在目標(biāo)形變的場景中依舊能夠保證算法的有效性、實時性和魯棒性。3)智能攝像機(jī)網(wǎng)絡(luò)平臺構(gòu)建及基于該平臺的目標(biāo)檢測算法實現(xiàn)。本文構(gòu)建了基于SEED-DEC6437的智能攝像機(jī)網(wǎng)路平臺并在此平臺上實現(xiàn)了目標(biāo)檢測算法,同時針對算法自身特點和工程開發(fā)軟件平臺CCS3.3相關(guān)優(yōu)化配置,對目標(biāo)檢測工程進(jìn)行了優(yōu)化,確保在DSP上的高效實現(xiàn)。
【關(guān)鍵詞】：智能攝像機(jī)網(wǎng)絡(luò) 目標(biāo)檢測 目標(biāo)跟蹤 壓縮感知
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN948.41
【目錄】：

• 摘要6-8
• ABSTRACT8-12
• 第一章 緒論12-23
• 1.1 研究背景及意義12-15
• 1.2 國內(nèi)外研究發(fā)展現(xiàn)狀15-21
• 1.2.1 智能視頻監(jiān)控系統(tǒng)國內(nèi)外研究現(xiàn)狀15-16
• 1.2.2 智能視頻分析算法研究進(jìn)展16-20
• 1.2.3 智能視頻分析系統(tǒng)的硬件平臺20-21
• 1.3 本文的主要內(nèi)容與章節(jié)安排21-23
• 第二章 運動目標(biāo)檢測與跟蹤算法概述23-33
• 2.1 運動目標(biāo)檢測算法介紹23-25
• 2.2 運動目標(biāo)跟蹤算法介紹25-28
• 2.2.1 目標(biāo)遮擋情況下的跟蹤算法25-26
• 2.2.2 基于在線學(xué)習(xí)的跟蹤算法26-28
• 2.3 壓縮感知理論知識28-31
• 2.3.1 壓縮感知基本流程29-30
• 2.3.2 隨機(jī)觀測矩陣30-31
• 2.4 本文運動目標(biāo)檢測跟蹤算法框架介紹31-32
• 2.5 本章小結(jié)32-33
• 第三章 智能攝像機(jī)資源受限條件下的目標(biāo)檢測算法實現(xiàn)33-50
• 3.1 圖像處理基礎(chǔ)知識33-35
• 3.2 BCSBS算法35-41
• 3.2.1 圖像預(yù)處理35-38
• 3.2.2 塊級別的差分器38-39
• 3.2.3 像素級別的差分器39-41
• 3.3 算法有效性分析41-42
• 3.4 實驗結(jié)果與分析42-49
• 3.4.1 評價指標(biāo)42-43
• 3.4.2 參數(shù)的選取43-45
• 3.4.3 實驗結(jié)果及分析45-49
• 3.5 本章小結(jié)49-50
• 第四章 樣本有限和存在遮擋情況下的目標(biāo)跟蹤算法實現(xiàn)50-70
• 4.1 BSVM-CT算法50-60
• 4.1.1 目標(biāo)模型與特征提取51-53
• 4.1.2 SVM分類器二值近似模型53-55
• 4.1.3 Coarse-Tracker模塊55-59
• 4.1.4 Fine-Tracker模塊59-60
• 4.2 算法有效性分析60-63
• 4.2.1 特征的尺度不變性60-62
• 4.2.2 Coarse-Tracker與Fine-Tracker協(xié)同跟蹤62-63
• 4.2.3 壓縮感知vs主成分分析63
• 4.3 實驗結(jié)果與分析63-69
• 4.3.1 實驗參數(shù)設(shè)置和評價指標(biāo)64
• 4.3.2 實驗結(jié)果分析64-69
• 4.4 本章小結(jié)69-70
• 第五章 智能攝像機(jī)網(wǎng)絡(luò)平臺構(gòu)建與目標(biāo)檢測算法實現(xiàn)70-91
• 5.1 硬件平臺系統(tǒng)概述70-75
• 5.1.1 硬件選型71-72
• 5.1.2 TMS320DM6437簡介72-73
• 5.1.3 TMS320DM6437視頻處理子系統(tǒng)73-75
• 5.2 軟件平臺系統(tǒng)概述75-78
• 5.2.1 CCS3.3（Code Compose Studio）75-76
• 5.2.2 DSP/BIOS內(nèi)核76-78
• 5.3 基于DM6437DSP芯片的平臺處理視頻的優(yōu)勢78
• 5.4 目標(biāo)檢測算法的系統(tǒng)架構(gòu)78-83
• 5.4.1 目標(biāo)檢測算法主要功能模塊79-83
• 5.5 系統(tǒng)的改進(jìn)和優(yōu)化83-88
• 5.5.1 編譯器級優(yōu)化83-84
• 5.5.2 程序級優(yōu)化84-86
• 5.5.3 利用TI函數(shù)庫86-87
• 5.5.4 存儲空間的優(yōu)化87-88
• 5.6 基于硬件平臺的目標(biāo)檢測效果88-89
• 5.7 本章小結(jié)89-91
• 第六章 總結(jié)與展望91-93
• 6.1 本文研究內(nèi)容91-92
• 6.2 未來研究展望92-93
• 參考文獻(xiàn)93-99
• 致謝99-100
• 攻讀碩士學(xué)位期間已發(fā)表的論文和參加的科研項目100

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 張德剛;陳文藝;陳瑞;;基于DM6437的數(shù)字?jǐn)z像機(jī)[J];電子設(shè)計工程;2011年08期

2 莫林;廖鵬;劉勛;;一種基于背景減除與三幀差分的運動目標(biāo)檢測算法[J];微計算機(jī)信息;2009年12期

3 丁忠校;;視頻監(jiān)控系統(tǒng)的應(yīng)用現(xiàn)狀與發(fā)展綜述[J];科技咨詢導(dǎo)報;2007年28期

4 胡金波,陳慧劍;DSP環(huán)境下C語言編程的優(yōu)化實現(xiàn)[J];現(xiàn)代電子技術(shù);2002年12期

  本文關(guān)鍵詞：智能攝像機(jī)網(wǎng)絡(luò)的目標(biāo)檢測與跟蹤算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：337448