本文關(guān)鍵詞：監(jiān)控視頻中的行人與車(chē)輛的在線跟蹤

  更多相關(guān)文章： 多目標(biāo)跟蹤 背景差分 非均因采樣 運(yùn)動(dòng)估計(jì) 馬爾科夫決策過(guò)程 增強(qiáng)學(xué)習(xí)

【摘要】：在信息化的時(shí)代,視頻監(jiān)控得到了長(zhǎng)足的發(fā)展,每天從監(jiān)控中產(chǎn)生的大量數(shù)據(jù)里面存在很多不必要的信息。這些不必要的信息占用了存儲(chǔ)資源。如何從這些視頻中提取出有用的信息,是現(xiàn)在智能監(jiān)控系統(tǒng)需要解決的重要問(wèn)題。多目標(biāo)檢測(cè)和跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)研究的重要問(wèn)題。該技術(shù)利用計(jì)算機(jī)視覺(jué)相關(guān)技術(shù)以及機(jī)器學(xué)習(xí)、模式識(shí)別等技術(shù),分析視頻數(shù)據(jù)并提取關(guān)鍵信息,從而實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)和跟蹤。在線多目標(biāo)跟蹤和物體檢測(cè)有著廣泛的應(yīng)用場(chǎng)景,例如視頻監(jiān)控、機(jī)器人以及危險(xiǎn)行為分析等等,這些都需要實(shí)時(shí)獲得目標(biāo)的位置。本文提出了一個(gè)基于自動(dòng)檢測(cè)的多目標(biāo)跟蹤方法,并搭建了相應(yīng)的實(shí)用系統(tǒng)。我們將業(yè)界流行的ACF物體檢測(cè)算法和背景差分方法有機(jī)結(jié)合起來(lái)改進(jìn)運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果,并借鑒已有方法將目標(biāo)跟蹤形式化為一個(gè)馬爾科夫決策過(guò)程,特別針對(duì)小物體、光流跟蹤不夠穩(wěn)定以及物體交錯(cuò)情況下跟蹤容易失敗等問(wèn)題做了相應(yīng)的改進(jìn),顯著提高了多目標(biāo)檢測(cè)和跟蹤的穩(wěn)定性。針對(duì)小物體,本文利用前背景差分算法檢測(cè)出前景區(qū)域,然后將較小的區(qū)域認(rèn)為是小物體,作為對(duì)ACF物體檢測(cè)的補(bǔ)充；針對(duì)光流點(diǎn)均勻采樣可能會(huì)造成背景區(qū)域的光流點(diǎn)對(duì)跟蹤造成干擾導(dǎo)致不穩(wěn)定的情況,本文提出采用基于前景分割的自適應(yīng)采樣策略,利用前背景差分算法檢測(cè)出的前背景區(qū)域,增大處于前景區(qū)域的光流點(diǎn)的數(shù)目,減少背景區(qū)域的光流點(diǎn)數(shù)目來(lái)改進(jìn)目標(biāo)跟蹤的穩(wěn)定性；針對(duì)物體交錯(cuò)時(shí)標(biāo)識(shí)分配錯(cuò)誤的問(wèn)題,本文提出采用基于歷史運(yùn)動(dòng)信息的推測(cè)和目標(biāo)面積異常檢測(cè)的方法對(duì)光流正確跟蹤的結(jié)果進(jìn)一步篩選,并排除丟失狀態(tài)到跟蹤狀態(tài)的錯(cuò)誤轉(zhuǎn)移�；谶@些改進(jìn),我們成功搭建了一個(gè)魯棒的多目標(biāo)在線檢測(cè)和跟蹤系統(tǒng),并在MOT等數(shù)據(jù)集上進(jìn)行測(cè)試和比較,驗(yàn)證系統(tǒng)的有效性。
【關(guān)鍵詞】：多目標(biāo)跟蹤 背景差分 非均因采樣 運(yùn)動(dòng)估計(jì) 馬爾科夫決策過(guò)程 增強(qiáng)學(xué)習(xí)
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TN948.6
【目錄】：

• 摘要4-5
• Abstract5-11
• 第1章 緒論11-20
• 1.1 課題背景11-12
• 1.2 多目標(biāo)跟蹤技術(shù)概述12-16
• 1.2.1 多目標(biāo)跟蹤關(guān)鍵詞12-13
• 1.2.2 多目標(biāo)跟蹤問(wèn)題13-14
• 1.2.3 多目標(biāo)跟蹤技術(shù)分類(lèi)14-16
• 1.3 物體檢測(cè)技術(shù)概述16-18
• 1.3.1 基于全局特征的物體檢測(cè)技術(shù)16-17
• 1.3.2 基于局部特征的物體檢測(cè)技術(shù)17-18
• 1.4 本文主要研究?jī)?nèi)容和貢獻(xiàn)18
• 1.5 本章小結(jié)18-20
• 第2章 多目標(biāo)在線檢測(cè)與跟蹤20-38
• 2.1 算法整體框架20
• 2.2 快速物體檢測(cè)20-22
• 2.2.1 Viola-Jones檢測(cè)器20-21
• 2.2.2 快速特征估計(jì)21-22
• 2.2.3 快速特征金字塔及整體框架22
• 2.3 物體檢測(cè)器改進(jìn)方案22-25
• 2.3.1 Vibe前背景檢測(cè)算法24-25
• 2.4 多目標(biāo)跟蹤算法框架25-37
• 2.4.1 馬爾科夫決策過(guò)程26-28
• 2.4.2 激活狀態(tài)策略28
• 2.4.3 跟蹤狀態(tài)策略及其改進(jìn)方案28-34
• 2.4.4 丟失狀態(tài)策略及其改進(jìn)方案34-36
• 2.4.5 多目標(biāo)中的馬爾科夫決策過(guò)程36-37
• 2.5 本章小結(jié)37-38
• 第3章 系統(tǒng)與實(shí)驗(yàn)結(jié)果38-51
• 3.1 多目標(biāo)跟蹤結(jié)果39-47
• 3.2 多目標(biāo)跟蹤結(jié)果定量比較47-48
• 3.3 多目標(biāo)檢測(cè)結(jié)果對(duì)比48-51
• 第4章 總結(jié)與展望51-52
• 4.1 總結(jié)51
• 4.2 展望51-52
• 參考文獻(xiàn)52-56
• 致謝56

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 韓雷;王洪慶;林隱靜;;光流法在強(qiáng)對(duì)流天氣臨近預(yù)報(bào)中的應(yīng)用[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年05期

2 龔大墉;汪治華;楊數(shù)強(qiáng);劉巖;;基于目標(biāo)的局部約束光流分析[J];重慶工學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年07期

3 嚴(yán)強(qiáng);黃增喜;曹麗萍;黃蓉剛;;光流法在機(jī)車(chē)安全行駛中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用研究;2013年04期

4 馬鵬飛;楊金孝;;基于光流法的粒子圖像測(cè)速[J];科學(xué)技術(shù)與工程;2012年32期

5 張永亮;盧煥章;賀興華;謝耀華;;基于光流預(yù)測(cè)的直線對(duì)應(yīng)算法[J];信號(hào)處理;2010年05期

6 孫承志;熊田忠;吉順平;張家海;;基于差分的光流法在目標(biāo)檢測(cè)跟蹤中的應(yīng)用[J];機(jī)床與液壓;2010年14期

7 王，

本文編號(hào)：879283