發(fā)布時(shí)間：2021-09-01 12:41

　　目標(biāo)跟蹤是當(dāng)前計(jì)算機(jī)視覺研究中的熱點(diǎn)問題之一。僅基于一臺(tái)普通攝像機(jī)的單目標(biāo)行人跟蹤算法可用于輪式移動(dòng)機(jī)器人或視頻監(jiān)控。具有這種跟蹤功能的機(jī)器人可以實(shí)時(shí)跟蹤行人,無論是直行還是轉(zhuǎn)彎,可以用作兒童伴侶機(jī)器人或跟蹤機(jī)器人等。本文對行人的檢測和跟蹤進(jìn)行了研究工作。,并在Android平臺(tái)上開發(fā)單目標(biāo)行人跟蹤算法,這已成為許多應(yīng)用場景中的通用平臺(tái)。這也適用于各行各業(yè),使用人體流量檢測和跟蹤技術(shù),可以為地鐵分流,商場控制人流等提供技術(shù)支持。該研究項(xiàng)目的主要內(nèi)容如下:（1）常用方法:一般情況下,跟蹤行人的常用方法是背景減法。這將視頻流的像素分為背景（未檢測到運(yùn)動(dòng)）或前景（檢測到運(yùn)動(dòng)）。因此,通常探測器都會(huì)接受訓(xùn)練,通過掃描整個(gè)幀來搜索視頻幀中的行人。其中,KCF算法是重量輕的算法和利用循環(huán)矩陣特性提高處理速度的新的跟蹤框架,這也是它被認(rèn)為是基礎(chǔ)的原因。（2）研究內(nèi)容:有許多跟蹤算法,例如MIL、KCF、TLD、MEDIANFLOW、GOURN、MOSSE或CSRT;其中,KCF具有更高的FPS率。在本論文中,我們開發(fā)了一個(gè)機(jī)器人應(yīng)用的行人檢測和跟蹤。其中,對基于KCF跟蹤算法的OpenCV技術(shù)行人跟... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【文章目錄】：
ABSTRACT
摘要
Chapter 1 Introduction
    1.1 Research Background and Significance
    1.2 Main research contents
    1.3 Literature Review
    1.4 Thesis Structure
Chapter 2 Detection and Tracking Algorithms and Key Technologies
    2.1 Object detecting
    2.2 HAAR+CASCADE Detection
    2.3 HOG+SVM Detection
        2.3.1 SVM Linear Classifier
        2.3.2 SVM Non-Linear Classifier
    2.4 Object tracking algorithms
        2.4.1 Boosting Tracker
        2.4.2 MIL Tracker
        2.4.3 KCF Tracker
        2.4.4 TLD Tracker
        2.4.5 GOTURN Tracker
        2.4.6 MOSSE Tracker
    2.5 Basic principle of the KCF algorithm
    2.6 KCF Algorithm Formulation
    2.7 Summary
Chapter 3 Pedestrian Detection and Tracking
    3.1 Introduction to Pedestrian Tracking
    3.2 Pedestrian Detection and Tracking Algorithms
    3.3 Pedestrian Detection and Tracking with moving Camera
    3.4 Pedestrian Detection and Tracking Challenges
    3.5 Development Strategy
    3.6 Moving Object Tracking methodologies
    3.7 Research on KCF Tracking process
    3.8 Experiment of KCF Algorithm
    3.9 Summary
Chapter 4 Android Cell Phone Application for Single Pedestrian Tracking with KCFAlgorithm
    4.1 Introduction
    4.2 KCF Tracking Framework
    4.3 Simulation environment
    4.4 Detailed Design of Key Modules
        4.5.1 Android APP Development
        4.5.2 Target Detection
        4.5.3 Target Tracking
    4.5 Experimental Results
    4.6 Summary
Chapter 5 Conclusion
    5.1 Thesis Summary
    5.2 Thesis Prospective
References
ACKNOWLEDGEMENT


【參考文獻(xiàn)】：
期刊論文
[1]基于三幀差法和交叉熵閾值法的車輛檢測[J]. 李秋林,何家峰.  計(jì)算機(jī)工程. 2011(04)
[2]基于混合高斯模型的行人檢測方法[J]. 李娟,邵春福,楊勵(lì)雅.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2011(01)
[3]基于SIFT特征匹配和動(dòng)態(tài)更新背景模型的運(yùn)動(dòng)目標(biāo)檢測算法[J]. 王亮芬.  計(jì)算機(jī)應(yīng)用與軟件. 2010(02)
[4]自適應(yīng)混合高斯背景模型的運(yùn)動(dòng)目標(biāo)檢測方法[J]. 黃鑫娟,周潔敏,劉伯揚(yáng).  計(jì)算機(jī)應(yīng)用. 2010(01)
[5]運(yùn)動(dòng)目標(biāo)跟蹤算法研究綜述[J]. 張娟,毛曉波,陳鐵軍.  計(jì)算機(jī)應(yīng)用研究. 2009(12)
[6]粒子群優(yōu)化粒子濾波方法[J]. 方正,佟國峰,徐心和.  控制與決策. 2007(03)
[7]基于統(tǒng)計(jì)背景模型的運(yùn)動(dòng)目標(biāo)檢測方法[J]. 林洪文,涂丹,李國輝.  計(jì)算機(jī)工程. 2003(16)



本文編號：3377001