行人目標檢測與跟蹤技術(shù)在安防監(jiān)控、智能交通、人機交互等領(lǐng)域都具有重要的研究價值和應(yīng)用價值。實際應(yīng)用環(huán)境中,由于跟蹤場景多樣性和行人目標變化復(fù)雜,傳統(tǒng)的經(jīng)典核相關(guān)濾波目標跟蹤算法對快速運動、尺度變化、遮擋等屬性的視頻跟蹤效果不佳。當跟蹤到的目標不準確時,對濾波器模型更新就會降低其檢測質(zhì)量。若連續(xù)多幀都發(fā)生這種情況,則會造成模型漂移,導(dǎo)致目標跟蹤丟失和錯誤蔓延現(xiàn)象。針對這些問題,本文提出了基于深度學習檢測的分組核相關(guān)目標跟蹤算法,主要內(nèi)容以及成果如下:（1）針對實際跟蹤環(huán)境導(dǎo)致的跟蹤目標丟失和錯誤蔓延的現(xiàn)象,本文提出基于深度學習檢測的分組核相關(guān)濾波目標跟蹤算法。該算法首先將待跟蹤的視頻序列分為若干組,對于每組的第一幀采用Faster RCNN算法進行目標檢測,若檢測到待跟蹤的目標,則用檢測到的特征信息對濾波器進行訓練和更新;否則,則繼續(xù)沿用上一幀中核相關(guān)濾波算法跟蹤到的特征信息,進行濾波器模板的訓練和更新,完成后續(xù)目標跟蹤。（2）由于傳統(tǒng)目標檢測算法采用的手工設(shè)計特征魯棒性較差,因此本文采用基于深度學習的Faster RCNN 目標檢測算法完成行人檢測。在Caffe深度學習框架和VGG網(wǎng)絡(luò)... 

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 行人目標檢測研究現(xiàn)狀
        1.2.2 目標跟蹤研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
2 基于核相關(guān)濾波的目標跟蹤算法研究與實現(xiàn)
    2.1 視頻信息處理的特征描述
        2.1.1 HOG特征
        2.1.2 LBP紋理特征
        2.1.3 深度特征
    2.2 KCF目標跟蹤算法介紹
        2.2.1 KCF目標跟蹤算法原理
        2.2.2 算法流程
    2.3 KCF跟蹤算法實驗結(jié)果
    2.4 本章小結(jié)
3 行人檢測算法研究與實現(xiàn)
    3.1 引言
    3.2 基于Faster RCNN的行人目標檢測算法研究
        3.2.1 Faster RCNN算法原理
        3.2.2 基于Faster RCNN算法的行人檢測實現(xiàn)
    3.3 實驗結(jié)果與分析
        3.3.1 行人檢測評價指標介紹
        3.3.2 實驗環(huán)境及參數(shù)設(shè)置
        3.3.3 實驗結(jié)果與分析
    3.4 本章小結(jié)
4 基于深度學習檢測的分組核相關(guān)目標跟蹤算法
    4.1 KCF跟蹤算法的不足
        4.1.1 尺度固定
        4.1.2 目標遮擋
        4.1.3 快速運動
    4.2 改進的基于深度檢測的分組目標跟蹤算法
        4.2.1 改進方案
        4.2.2 算法分析
        4.2.3 算法流程與框圖
    4.3 實驗結(jié)果與分析
        4.3.1 目標跟蹤評價指標介紹
        4.3.2 最優(yōu)參數(shù)值選擇
        4.3.3 基于全局的性能分析
        4.3.4 基于屬性的性能分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻
附錄



本文編號：3650736