隨著計算機視覺技術(shù)的發(fā)展,尤其是深度學(xué)習(xí)技術(shù)的發(fā)展,智能視頻監(jiān)控技術(shù)越來越成熟。作為智能視頻監(jiān)控系統(tǒng)的重要組成部分,目標(biāo)檢測和目標(biāo)跟蹤技術(shù)已成為當(dāng)前視覺領(lǐng)域重要的研究方向。本文圍繞智能視頻監(jiān)控系統(tǒng)實際應(yīng)用中基于深度學(xué)習(xí)的目標(biāo)檢測和多目標(biāo)跟蹤技術(shù)展開研究,分析了目標(biāo)檢測和多目標(biāo)跟蹤技術(shù)研究的背景、意義及國內(nèi)外研究現(xiàn)狀,深入研究了目標(biāo)檢測與多目標(biāo)跟蹤技術(shù)的基本理論和方法,最后分別對相關(guān)算法進行了改進。在目標(biāo)檢測方面,根據(jù)智能視頻監(jiān)控系統(tǒng)中實時性、精確性、占用較小顯存空間的要求,本文改進了YOLO系列的精簡版YOLOv3-tiny算法。以行人檢測為例,通過調(diào)整YOLOv3-tiny算法中g(shù)rid cell的橫縱方向數(shù)量、優(yōu)化YOLOv3-tiny算法網(wǎng)絡(luò)結(jié)構(gòu)、聚類確定anchor的數(shù)量及尺寸,得到改進的算法,并通過數(shù)據(jù)增強方法對訓(xùn)練數(shù)據(jù)集進行了擴充。實驗結(jié)果顯示改進的算法顯著提高了算法精度,具備實時性、精確性,且不需要較大的顯存空間,滿足大部分智能視頻監(jiān)控系統(tǒng)實際應(yīng)用的要求。在多目標(biāo)跟蹤方面,卡爾曼濾波面對運動特征不斷變化的目標(biāo)或監(jiān)控系統(tǒng)攝像機的移動,無法較好的進行預(yù)測,同時卡爾曼濾波只包含... 

【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

YOLO目標(biāo)檢測示意圖

圖 3. 3 IOU-k 折線圖經(jīng)過聚類分析，通過肘部法則啟發(fā)式的選取聚類的數(shù)目 k。當(dāng)聚類數(shù)目 k 增加到某一個的時候 IOU 值的變化會越來越小，此時將該拐點處的 k 值作為本文所使用的聚類的個數(shù)。看出，當(dāng)k > 6時，目標(biāo)函數(shù)變化逐漸變緩，所以本文選取k = 6，對應(yīng)著 anchor 的個數(shù)為通過聚類選取的 anchor 的尺寸更加接近行人真實框的尺寸，可以加快檢測速度，同時對高檢測的精度也很有幫助。.4.3 基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)的改進原始的 YOLOv3-tiny 網(wǎng)絡(luò)結(jié)構(gòu)中只有 7 個卷積層，對目標(biāo)的特征提取效果有限，然而在視頻監(jiān)控系統(tǒng)實際應(yīng)用中一般對目標(biāo)檢測算法的精度有較高的要求。本章對 YOLOv3-tiny網(wǎng)絡(luò)進行了改進。Conv 1×1Conv 3×3

據(jù)集中樣本數(shù)量較少，實際應(yīng)用中泛化能力較差并且容易出現(xiàn)過擬合的問題，為了解決這個問題，本文將 INRIA 訓(xùn)練集通過裁剪、平移、改變亮度、加噪聲、旋轉(zhuǎn)角度、鏡像等數(shù)據(jù)增強方法擴充到 20000 張。通過增加數(shù)據(jù)集防止過擬合、提升模型泛化能力、提高模型精確性。如圖3.6 為 INRIA 數(shù)據(jù)集示例。


本文編號：3140161