發(fā)布時間：2019-09-12 07:24

【摘要】：近年來,視頻監(jiān)控在安防領(lǐng)域得到了廣泛的應(yīng)用,特別是在大型活動現(xiàn)場、學(xué)校、銀行、商場、機場、高速公路、地鐵等對安全要求敏感的場合。視頻監(jiān)控系統(tǒng)一般包括運動目標(biāo)檢測,目標(biāo)跟蹤,行為檢測,異常信息歸檔等模塊。其中,多目標(biāo)跟蹤在很多方面得到了廣泛的應(yīng)用,是近年來計算機視覺、人機交互系統(tǒng)、模式識別等領(lǐng)域的熱門研究問題。但是,多目標(biāo)跟蹤還存在諸多問題有待研究。本文針對國內(nèi)外多目標(biāo)跟蹤算法進(jìn)行歸納,分析各自優(yōu)缺點,主要包括目標(biāo)視覺表示模型和多目標(biāo)跟蹤方法研究,并總結(jié)了多目標(biāo)跟蹤算法的難點,最后討論了多目標(biāo)跟蹤算法未來發(fā)展趨勢。本論文主要創(chuàng)新工作及研究成果如下:1)本文首先針對復(fù)雜場景下,如光照變化、方向變化、尺度變化等,單一特征的目標(biāo)視覺表示模型很難準(zhǔn)確描述目標(biāo)圖像,可靠性較差的問題,提出了一種基于模糊理論和主成分分析法的多特征融合算法,該算法首先提取目標(biāo)的顏色特征、紋理特征以及梯度特征,接著采用模糊理論對特征進(jìn)行粗選擇,最后利用PCA算法對粗選擇后的特征進(jìn)行融合,有效減少算法復(fù)雜度。實驗結(jié)果表明,融合特征能夠較好地適應(yīng)場景的變化,取得更加魯棒的跟蹤結(jié)果。2)融合時空約束的判別式分類模型理論的建立。針對現(xiàn)有的基于判別式模型的多目標(biāo)跟蹤算法中判別模型沒有同時利用多目標(biāo)間時空關(guān)系的問題,論文根據(jù)同一幀中多個目標(biāo)間的位置關(guān)系,以及目標(biāo)的運動關(guān)系,建立了融合時空約束和結(jié)構(gòu)化SVM的判別式分類模型,最后利用被動-主動(Passive Aggressive,PA)算法實現(xiàn)對判別式分類模型參數(shù)的更新。3)基于時空約束判別式分類模型的多目標(biāo)跟蹤算法�；跁r空約束判別式分類模型實現(xiàn)視頻多目標(biāo)的跟蹤,該算法首先提取圖像中每個目標(biāo)區(qū)域的HOG特征,并結(jié)合結(jié)構(gòu)化支持向量機分類器進(jìn)行樣本訓(xùn)練,得到每個目標(biāo)的外觀模型。其次使用最小生成樹模型來構(gòu)建同一幀中各個目標(biāo)間的空間約束,基于目標(biāo)的運動信息建立時間約束。在跟蹤過程中,使用結(jié)構(gòu)化SVM框架進(jìn)行參數(shù)的在線學(xué)習(xí),實時地更新各個目標(biāo)的外觀模型、空間以及時間約束。該算法充分利用了目標(biāo)時空關(guān)系,與僅基于空間約束的多目標(biāo)跟蹤算法相比,在公用數(shù)據(jù)集上的實驗結(jié)果表明,該算法具有一定的改善。
【圖文】：

圖 3-2 多特征融合示意圖對采用主成分分析法(Principal Component Analysis, PCA)進(jìn)行多特高的問題，論文提出了一種基于模糊理論和主成分分析法(Fuzzy Thl Component Analysis, FT-PCA)的多特征融合算法，該算法首先提色特征、LBP 特征和 HOG 特征，其次采用模糊理論對特征進(jìn)行粗 PCA 算法對粗選擇后的特征進(jìn)行融合，有效減少算法復(fù)雜度。模糊理論統(tǒng)的集合理論中，集合元素非此即彼，即某一元素要么屬于一個集個集合。而在模糊理論[33]（FuzzyTheory, FT）中則是通過隸屬度表于集合的程度，該值越大，則元素隸屬于集合的程度則越大。需要值在[0,1]的區(qū)間內(nèi)。一元素x的隸屬度通常由隸屬函數(shù)μ(x)將屬于模糊集XF的每個元素到，具體如式（3-1）所示：μ(x): XF→[0,1] 實際應(yīng)用中，，一般通過隸屬度函數(shù)法來計算得到隸屬值。需要指出
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TN948.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 薛一哲;王拓;;基于代價敏感Adaboost目標(biāo)跟蹤[J];中國圖象圖形學(xué)報;2016年05期

2 胡昭華;徐玉偉;趙孝磊;何軍;周游;;基于支持向量機的多特征選擇目標(biāo)跟蹤[J];應(yīng)用科學(xué)學(xué)報;2015年05期

3 劉威;段成偉;遇冰;柴麗穎;袁淮;趙宏;;基于后驗HOG特征的多姿態(tài)行人檢測[J];電子學(xué)報;2015年02期

4 張煥龍;胡士強;楊國勝;;基于外觀模型學(xué)習(xí)的視頻目標(biāo)跟蹤方法綜述[J];計算機研究與發(fā)展;2015年01期

5 黃凱奇;陳曉棠;康運鋒;譚鐵牛;;智能視頻監(jiān)控技術(shù)綜述[J];計算機學(xué)報;2015年06期

6 郭明瑋;趙宇宙;項俊平;張陳斌;陳宗海;;基于支持向量機的目標(biāo)檢測算法綜述[J];控制與決策;2014年02期

7 謝維信;陳曾平;裴繼紅;黃建軍;馮紀(jì)強;;大數(shù)據(jù)背景下的信號處理[J];中國科學(xué):信息科學(xué);2013年12期

8 方菊芹;陳帆;和紅杰;尹忠科;;結(jié)合局部分類水平集與顏色特征的遙感影像陰影檢測[J];自動化學(xué)報;2014年06期

9 呂卓紋;王科俊;李宏宇;閻濤;;融合Camshift的在線Adaboost目標(biāo)跟蹤算法[J];中南大學(xué)學(xué)報(自然科學(xué)版);2013年S2期

10 黎瑩;戴芳;郝勇;左濤;;基于最小生成樹的圖像分割[J];計算機工程與應(yīng)用;2013年13期

本文編號：2534979