本文選題：智能視頻監(jiān)控　切入點(diǎn)：運(yùn)動(dòng)目標(biāo)檢測　出處：《中國科學(xué)技術(shù)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著人們對于公共安全等問題的不斷重視,視頻監(jiān)控被應(yīng)用到越來越多的場景中,從而帶來了海量的監(jiān)控視頻數(shù)據(jù)。傳統(tǒng)人工處理的方式已逐漸不可行,我們迫切需要使用計(jì)算機(jī)來進(jìn)行無人值守的智能視頻監(jiān)控。智能視頻監(jiān)控中涉及的關(guān)鍵技術(shù)有目標(biāo)檢測及目標(biāo)跟蹤,目標(biāo)檢測根據(jù)處理數(shù)據(jù)對象的不同又可以進(jìn)一步分為運(yùn)動(dòng)目標(biāo)檢測以及目標(biāo)檢測。然而現(xiàn)實(shí)場景中由于噪音、光照變化等因素導(dǎo)致運(yùn)動(dòng)目標(biāo)檢測算法往往效果不佳;另一方面大部分的檢測算法仍面臨計(jì)算復(fù)雜度較高的問題;目標(biāo)跟蹤算法也面臨著準(zhǔn)確度有限、實(shí)時(shí)性不強(qiáng)等問題,我們需要尋找更好的解決方案。因此,對于智能監(jiān)控領(lǐng)域中目標(biāo)檢測及跟蹤算法的研究有著重要的理論意義與實(shí)用價(jià)值。在這種背景下,本文主要進(jìn)行了以下工作:1.首先介紹了一些經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測算法,包括背景差分法、幀間差分法、光流法以及背景建模法,并分析了各種方法的優(yōu)缺點(diǎn)。2.重點(diǎn)研究了混合高斯模型(Gaussian Mixture Model,GMM)。GMM是一種很有效的背景建模模型,但是作為一種像素級(jí)建模算法,其檢測結(jié)果存在"空洞"問題,本文在分析GMM以及深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network,DCNN)的基礎(chǔ)上,提出了一種基于深度編解碼網(wǎng)絡(luò)的運(yùn)動(dòng)目標(biāo)檢測算法,實(shí)驗(yàn)結(jié)果顯示我們的算法不僅有效地解決了原GMM算法中的"空洞"問題,而且大幅度提高了算法的魯棒性。3.介紹了目標(biāo)檢測算法的一般流程,總結(jié)并分析了該類算法的關(guān)鍵點(diǎn)。面對當(dāng)前基于深度學(xué)習(xí)的目標(biāo)檢測算法中計(jì)算復(fù)雜度較高的問題,我們引入了一種精確度較高且檢測速度很快的目標(biāo)檢測模型Faster-RCNN(Regions with CNN features)。4.研究了現(xiàn)有的一些目標(biāo)跟蹤算法,本文在分析了通用目標(biāo)跟蹤的算法GO-TURN(Generic Object Tracking Using Regression Networks)后使用感興趣區(qū)域池化(Region ofInterest Pooling,ROIPooling)對其改進(jìn)提出了一種深度回歸網(wǎng)絡(luò)模型,有效地解決了目標(biāo)跟蹤問題,而且該模型很容易集成到現(xiàn)有的網(wǎng)絡(luò)模型中。實(shí)驗(yàn)表明,本文所研究的方法可以很好的應(yīng)用智能視頻監(jiān)控系統(tǒng)中,并且這些方法可以提高系統(tǒng)的整體性能與效率。
[Abstract]:As people pay more and more attention to public security and other issues, video surveillance has been applied to more and more scenes, which has brought huge amounts of surveillance video data. There is an urgent need to use computers for unattended intelligent video surveillance. The key technologies involved in intelligent video surveillance include target detection and target tracking. The target detection can be further divided into moving target detection and target detection according to the different processing data objects. However, in the real scene, due to noise, illumination and other factors, the moving target detection algorithm is often ineffective. On the other hand, most of the detection algorithms still face the problem of high computational complexity, and the target tracking algorithm also faces the problems of limited accuracy and weak real-time, so we need to find a better solution. It has important theoretical significance and practical value for the research of target detection and tracking algorithms in the field of intelligent surveillance. Under this background, this paper mainly carries out the following work: 1. Firstly, some classical moving target detection algorithms are introduced. It includes background difference method, inter-frame difference method, optical flow method and background modeling method. The advantages and disadvantages of these methods are analyzed. However, as a pixel level modeling algorithm, there is a "hole" problem in the detection results. Based on the analysis of GMM and Deep Convolutional Neural Network (DCNN), a moving target detection algorithm based on deep codec network is proposed in this paper. The experimental results show that our algorithm not only effectively solves the "hole" problem in the original GMM algorithm, but also greatly improves the robustness of the algorithm. 3. The general flow of target detection algorithm is introduced. The key points of this kind of algorithm are summarized and analyzed. Facing the problem of high computational complexity in the current target detection algorithm based on depth learning, We introduce a target detection model Faster-RCNN(Regions with CNN features.4.We study some existing target tracking algorithms. After analyzing GO-TURN(Generic Object Tracking Using Regression networks, a depth regression network model is proposed to solve the problem of target tracking by using region of interest region ofInterest Positioning. And the model can be easily integrated into the existing network models. Experiments show that the methods studied in this paper can be applied to intelligent video surveillance system very well, and these methods can improve the overall performance and efficiency of the system.
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TN948.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 莊曉嬋;向平;趙牡丹;;圖像目標(biāo)檢測算法研究[J];科學(xué)技術(shù)與工程;2007年05期

2 張桂林，熊艷，，曹偉，李強(qiáng);一種評價(jià)自動(dòng)目標(biāo)檢測算法性能的方法[J];華中理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);1994年05期

3 秦劍;陳錢;錢惟賢;;基于背景分類的弱小目標(biāo)檢測算法[J];光電工程;2011年01期

4 蔣建國;吳暉;齊美彬;張莉;;攝像機(jī)旋轉(zhuǎn)運(yùn)動(dòng)下的快速目標(biāo)檢測算法[J];圖學(xué)學(xué)報(bào);2012年03期

5 逯鵬;張姍姍;劉馳;黃石磊;湯玉合;;基于稀疏超完備表示的目標(biāo)檢測算法[J];儀器儀表學(xué)報(bào);2013年06期

6 李大輝;金濤;;弱小目標(biāo)檢測算法的設(shè)計(jì)與分析[J];中國科技信息;2013年16期

7 張明艷;許鋼;孟櫻;;基于時(shí)空特性的運(yùn)動(dòng)目標(biāo)檢測算法研究[J];安徽工程大學(xué)學(xué)報(bào);2013年04期

8 徐振海,王雪松,肖順平,莊釗文;基于模糊融合的目標(biāo)檢測算法研究[J];國防科技大學(xué)學(xué)報(bào);2000年04期

9 李維雅,董能力,金鋼,李正周;弱小目標(biāo)檢測算法性能評價(jià)的回歸分析方法[J];光電工程;2005年02期

10 高陳強(qiáng);田金文;王鵬;;基于時(shí)域特性分析的紅外運(yùn)動(dòng)小目標(biāo)檢測算法[J];紅外與激光工程;2008年05期

相關(guān)會(huì)議論文 前10條

1 高飛;蔣建國;安紅新;齊美彬;;一種快速運(yùn)動(dòng)目標(biāo)檢測算法[A];全國第22屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會(huì)議論文摘要集[C];2011年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測算法[A];第八屆全國信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2009年

3 鄧宇;陳孝威;;綜合利用時(shí)空信息的運(yùn)動(dòng)目標(biāo)檢測算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會(huì)議(NCMT'06)論文集[C];2006年

4 袁輝;孫卓;李德民;魏穎;;基于小波多尺度互能量交叉融合濾波的弱小目標(biāo)檢測算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

5 顧靜良;萬敏;張衛(wèi);鄭捷;;低對比度弱小目標(biāo)檢測算法[A];中國工程物理研究院科技年報(bào)（2005）[C];2005年

6 黃龔;鄭錦;劉養(yǎng)科;;攝像機(jī)水平巡掃時(shí)的運(yùn)動(dòng)目標(biāo)檢測算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

7 張國華;;一種基于導(dǎo)引頭穩(wěn)定平臺(tái)結(jié)構(gòu)的目標(biāo)檢測算法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊）[C];2010年

8 王正;劉瑞華;;基于PTZ攝像機(jī)的運(yùn)動(dòng)目標(biāo)檢測算法[A];全國第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

9 王彪;王成儒;王芬芬;;一種改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測算法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

10 劉琳;顧國華;錢惟賢;陳錢;徐富元;;目標(biāo)檢測算法的研究以及SRIO協(xié)議在目標(biāo)檢測的應(yīng)用[A];第八屆華東三省一市真空學(xué)術(shù)交流會(huì)論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 王海豐;基于機(jī)器視覺的剖竹機(jī)加工目標(biāo)檢測算法研究[D];東北林業(yè)大學(xué);2015年

2 高永嬋;復(fù)雜場景下多通道陣列自適應(yīng)目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2015年

3 王俊強(qiáng);圖像中人體目標(biāo)檢測算法研究[D];北京郵電大學(xué);2012年

4 郭明瑋;基于視覺記憶的目標(biāo)檢測算法：一個(gè)特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

5 臧風(fēng)妮;智能視頻監(jiān)控中海面艦船目標(biāo)檢測算法研究[D];中國海洋大學(xué);2014年

6 陳偉;基于PSO的復(fù)雜工業(yè)環(huán)境視覺目標(biāo)檢測算法應(yīng)用研究[D];武漢科技大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 劉恒建;基于FPGA+DSP的運(yùn)動(dòng)目標(biāo)檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];南京理工大學(xué);2015年

2 賈建英;視頻序列中運(yùn)動(dòng)目標(biāo)檢測算法研究[D];長安大學(xué);2015年

3 周亞運(yùn);基于TMS320DM642平臺(tái)的紅外運(yùn)動(dòng)目標(biāo)檢測算法設(shè)計(jì)[D];南京理工大學(xué);2015年

4 姚丹;基于多光譜信息融合的弱小運(yùn)動(dòng)目標(biāo)檢測技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 劉培培;基于區(qū)域特征的運(yùn)動(dòng)目標(biāo)檢測算法的研究與開發(fā)[D];廣西大學(xué);2015年

6 崔璇;天空背景下紅外小目標(biāo)檢測算法研究[D];陜西師范大學(xué);2015年

7 范肖肖;基于視覺注意機(jī)制的目標(biāo)檢測算法的研究[D];電子科技大學(xué);2015年

8 丁嬋;運(yùn)動(dòng)目標(biāo)檢測算法在嵌入式平臺(tái)的研究[D];電子科技大學(xué);2015年

9 張冠雄;基于標(biāo)簽傳播的顯著性目標(biāo)檢測算法研究[D];大連理工大學(xué);2015年

10 李建波;視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測算法的研究[D];哈爾濱工業(yè)大學(xué);2014年

本文編號(hào)：1580522