在國(guó)家大力發(fā)展建設(shè)智慧城市的今天,智能視頻監(jiān)控成為城市管理的重要組成部分。如今城市當(dāng)中星羅棋布的監(jiān)控?cái)z像頭在安防領(lǐng)域發(fā)揮著至關(guān)重要的作用。視頻數(shù)據(jù)大量存儲(chǔ)在硬盤當(dāng)中,如何充分挖掘其中有價(jià)值的信息成為各國(guó)研究者們關(guān)注的焦點(diǎn)。其中,針對(duì)視頻的目標(biāo)跟蹤技術(shù)隨著數(shù)據(jù)量的增加而不斷發(fā)展,成為了智能視頻監(jiān)控的關(guān)鍵基礎(chǔ)技術(shù)。目前,已有的基于視頻序列的目標(biāo)跟蹤技術(shù)還未能大規(guī)模商用,難點(diǎn)在于現(xiàn)實(shí)生活場(chǎng)景較為復(fù)雜,干擾情況較多,對(duì)計(jì)算機(jī)硬件以及跟蹤算法的實(shí)時(shí)性要求較高。因此,研究能否在給定場(chǎng)景下對(duì)任意給定目標(biāo)穩(wěn)定地跟蹤成為這一領(lǐng)域能否突破的關(guān)鍵。傳統(tǒng)的單目標(biāo)跟蹤模型中最為重要的一環(huán)在于特征提取。特征對(duì)于被跟蹤目標(biāo)外觀模型的表征能力決定了該跟蹤算法的跟蹤準(zhǔn)確度于泛化性能。本文在充分研究了傳統(tǒng)的基于顏色、紋理特征跟蹤的基礎(chǔ)之上,對(duì)當(dāng)前特征描述能力較為優(yōu)秀的深層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入對(duì)比研究。為了能夠同時(shí)保證跟蹤準(zhǔn)確度與實(shí)時(shí)性,利用了一個(gè)端到端的離線深度學(xué)習(xí)模型用于在線跟蹤的方案。同時(shí),對(duì)于給定的單目標(biāo)在跟蹤過(guò)程中出現(xiàn)的形變、部分遮擋和丟失等情況,將該跟蹤器與傳統(tǒng)的檢測(cè)框架相融合,用于保證跟蹤的魯棒性。并且給出... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

OPE曲線;

般選取概率最大的為下一幀目標(biāo)。最后利用模型更新判斷是否需要更新觀測(cè)模型。如果有多個(gè)跟蹤器的話，需要對(duì)每個(gè)跟蹤器的輸出進(jìn)行綜合處理得到最終的目標(biāo)。2.4 目標(biāo)的特征表示目標(biāo)特征表示是整個(gè)跟蹤過(guò)程中最為重要的一部分。分為生成式特征表達(dá)和判別式特征表達(dá)。上世紀(jì) 80 年代的 Lucas-Kanade 光流法將全局模板的特征表達(dá)引入跟蹤領(lǐng)域。之后，基于子空間的大量的跟蹤方法涌現(xiàn)出來(lái)[23]。還有用稀疏表示的方法[24]來(lái)解決目標(biāo)外觀發(fā)生較大變化的情況。除了利用模板來(lái)表示目標(biāo)特征外，還有利用其它基本圖像屬性進(jìn)行特征表達(dá)。例如顏色直方圖，梯度直方圖，SIFT[25]以及 HOG[26]、Haar[27]描述子等。除了生成式特征表達(dá)外，判別式模型在跟蹤領(lǐng)域逐漸成為主流，例如用 SVM 進(jìn)行前景與背景的二分類。王乃巖做了以下實(shí)驗(yàn)，可以看出特征表達(dá)對(duì)于目標(biāo)跟蹤的重要性[22]。實(shí)驗(yàn)當(dāng)中采用了 5 種特征，分別是未經(jīng)任何處理的灰度圖，未經(jīng)任何處理的彩色圖，類Haar 特征，HOG 特征以及 HOG+彩色圖特征。如下圖所示：

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文表 2-1 測(cè)試視頻屬性分布圖屬性 描述IV 光照變化SV 尺寸變化OCC 部分或完全遮擋DEF 形變MB 運(yùn)動(dòng)模糊FM 快速運(yùn)動(dòng)IPR 平面內(nèi)旋轉(zhuǎn)OPR 平面外旋轉(zhuǎn)OV 超出視野BC 背景雜斑LR 低分辨率


本文編號(hào)：3144223