本文關(guān)鍵詞：基于視頻的目標(biāo)跟蹤及人群密度估計(jì)方法研究，由筆耕文化傳播整理發(fā)布。

網(wǎng)友Alphago近日為您收集整理了關(guān)于學(xué)位論文—基于視頻的目標(biāo)跟蹤及人群密度估計(jì)方法研究的文檔，，希望對(duì)您的工作和學(xué)習(xí)有所幫助。以下是文檔介紹：—1—上海交通大學(xué)2012級(jí)碩士學(xué)位論文開題報(bào)告登記表學(xué)號(hào)姓名導(dǎo)師李建勛學(xué)科控制科學(xué)與工程學(xué)院(系、所)電子信息與電氣工程學(xué)院學(xué)位論文題目穩(wěn)健對(duì)地目標(biāo)跟蹤方法研究研究課題來源國家自然科學(xué)基金、航天創(chuàng)新基金、中航613橫向項(xiàng)目課題的意義以及研究的主要內(nèi)容運(yùn)動(dòng)目標(biāo)跟蹤是視覺圖像處理中的一個(gè)非常熱門的話題,在多個(gè)領(lǐng)域有著廣泛的應(yīng)用。運(yùn)動(dòng)目標(biāo)跟蹤的應(yīng)用領(lǐng)域和環(huán)境主要有:對(duì)大型公共場(chǎng)所進(jìn)行智能化視頻監(jiān)控、基于視頻的人機(jī)交互、交通流量監(jiān)測(cè)、醫(yī)療診斷等。本文從計(jì)算機(jī)視覺角度研究對(duì)地目標(biāo)跟蹤方法。由于視覺跟蹤系統(tǒng)能在比較復(fù)雜的背景下,提取與分離市場(chǎng)內(nèi)的目標(biāo)、確定目標(biāo)位置、估計(jì)目標(biāo)運(yùn)動(dòng)趨勢(shì)、實(shí)現(xiàn)對(duì)目標(biāo)的實(shí)時(shí)跟蹤,且具有跟蹤精度高、跟蹤狀態(tài)平穩(wěn)、抗干擾能力強(qiáng)、分辨率高和成本低等特點(diǎn),在軍事上很受重視。在民用領(lǐng)域,對(duì)地目標(biāo)跟蹤也有著廣泛的應(yīng)用:對(duì)大型公共場(chǎng)所進(jìn)行智能化視頻監(jiān)控。例如在機(jī)場(chǎng)、商場(chǎng)、地鐵站等場(chǎng)所進(jìn)行智能化監(jiān)控,其主要目的都是為了保障公眾財(cái)產(chǎn)和信息安全。在人群監(jiān)測(cè)、交通管理上實(shí)現(xiàn)智能化有非比尋常的意義。以以上應(yīng)用為背景,本文的對(duì)地目標(biāo)跟蹤技術(shù)包含以下幾個(gè)主要技術(shù)模塊:單目標(biāo)跟蹤技術(shù)、多目標(biāo)跟蹤技術(shù)、密集目標(biāo)跟蹤技術(shù)。分出這幾個(gè)模塊是為了應(yīng)對(duì)不同的應(yīng)用場(chǎng)景,或是在同一場(chǎng)景需要各模塊的協(xié)同合作。例如地鐵站的人群流量具有明顯時(shí)段特征,早晚上下班高峰人流極大,而其他時(shí)段人流量明顯減少,這就需要對(duì)不同時(shí)段采用不同的跟蹤方法以達(dá)到最好的效果。在上下班高峰期,采用密集目標(biāo)跟蹤技術(shù),而在其他時(shí)段,采用多目標(biāo)跟蹤技術(shù),而在有特殊需要的時(shí)候,例如跟蹤特定犯罪嫌疑人時(shí),可采用單目標(biāo)跟蹤技術(shù)。本文研究的主要內(nèi)容具體有:①粒子濾波基本方法研究,這是單目標(biāo)跟蹤方法的框架。在圖像跟蹤應(yīng)用中,目標(biāo)狀態(tài)的后驗(yàn)概率分布往往是非線性非高斯多模態(tài)的,粒子濾波方法對(duì)于系統(tǒng)模型沒有特殊要求,且能夠保持狀態(tài)的多模態(tài)分布,在跟蹤領(lǐng)域得到了很大的發(fā)展。但常規(guī)粒子濾波跟蹤算法存在計(jì)算量大、采樣效率低等問題。②粒子群最優(yōu)化思想研究,改進(jìn)常規(guī)粒子濾波采樣效率低的問題,提高采樣效率。針對(duì)常規(guī)粒子濾波跟蹤算法存在計(jì)算量大、采樣效率低等問題,引入粒子群優(yōu)化思想對(duì)目標(biāo)狀態(tài)后驗(yàn)分布進(jìn)行最優(yōu)搜索,找到后驗(yàn)分布的高似然區(qū),并依據(jù)此高似然區(qū)來進(jìn)行重采樣。③變結(jié)構(gòu)多模型的設(shè)計(jì),以更好的表征目標(biāo)的運(yùn)動(dòng)模型。幾乎所有的方法對(duì)目標(biāo)的運(yùn)動(dòng)狀態(tài)都假定為平滑的,或者將運(yùn)動(dòng)限制在恒速或恒加速運(yùn)動(dòng)狀態(tài)。而實(shí)際情況并非如此,例如機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)狀態(tài)就很難用單一模型來表征。本文引入變結(jié)構(gòu)多模型方法為目標(biāo)建立變結(jié)構(gòu)多運(yùn)動(dòng)模型。變結(jié)構(gòu)多模型方法能夠很好的表征目標(biāo)的運(yùn)動(dòng)模型卻又不增加過多的計(jì)算量,因此相比單一運(yùn)動(dòng)模型能夠更好的估計(jì)目標(biāo)的運(yùn)動(dòng)�！�2—④將先驗(yàn)信息模型引入目標(biāo)跟蹤系統(tǒng),以得到更精確的跟蹤效果。包括在某些場(chǎng)景下,先驗(yàn)信息是可知的,這些信息可用來指導(dǎo)粒子先驗(yàn)分布以獲得更精確的后驗(yàn)分布,而地理位置信息模型則是最常用也是最易獲取的信息。地理位置模型包含了跟蹤場(chǎng)景里道路分布、建筑分布等信息,對(duì)目標(biāo)的運(yùn)動(dòng)起到很好的約束作用,能夠提高目標(biāo)跟蹤的精確度。⑤結(jié)合在線學(xué)習(xí)與粒子濾波,以穩(wěn)健的跟蹤目標(biāo)。針對(duì)粒子濾波跟蹤丟失目標(biāo)后難恢復(fù)的問題,提出一種基于粒子濾波結(jié)合在線學(xué)習(xí)的穩(wěn)健跟蹤方法,使用粒子濾波有效的跟蹤結(jié)果作為正訓(xùn)練樣本不斷更新樣本庫,以跟蹤被遮擋和消失后再出現(xiàn)的目標(biāo)。⑤JPDA方法及MHT方法研究,以解決多目標(biāo)之間可能產(chǎn)生的“錯(cuò)標(biāo)識(shí)”問題。多目標(biāo)跟蹤的主要問題在于處理多目標(biāo)聯(lián)合狀態(tài)估計(jì),又由于多數(shù)多目標(biāo)跟蹤情況均是非線性非高斯的多維的狀態(tài)估計(jì)問題,在這種情況下,數(shù)據(jù)關(guān)聯(lián)算法至關(guān)重要。所謂數(shù)據(jù)關(guān)聯(lián)就是將未標(biāo)記的目標(biāo)觀測(cè)與對(duì)應(yīng)目標(biāo)的狀態(tài)進(jìn)行關(guān)聯(lián)。比較成熟的數(shù)據(jù)關(guān)聯(lián)算法有JPDA方法及MHT方法。然而兩者的計(jì)算復(fù)雜度過大,特別是在視覺跟蹤本身的大數(shù)據(jù)量情況下難以實(shí)際應(yīng)用。本文擬通過挖掘多目標(biāo)間約束模型來簡化JPDA或MHT的計(jì)算以使其能夠?qū)嶋H應(yīng)用。⑥密集目標(biāo)的運(yùn)動(dòng)估計(jì)。在一幅幅復(fù)雜的密集目標(biāo)圖像中,如果依靠每個(gè)目標(biāo)的個(gè)體信息來估計(jì)總體的運(yùn)動(dòng),則必須要分離出每個(gè)個(gè)體的運(yùn)動(dòng),然而這在密度大的情況下是不現(xiàn)實(shí)的,特別是當(dāng)個(gè)體之間相互遮擋時(shí)這就變得更加困難。本文擬從總體運(yùn)動(dòng)趨勢(shì)入手,不借助于單獨(dú)個(gè)體的信息,而是通過統(tǒng)計(jì)視頻中宏塊的運(yùn)動(dòng)矢量來進(jìn)行總體運(yùn)動(dòng)估計(jì)。⑦對(duì)本文提出的單目標(biāo)跟蹤算法、多目標(biāo)算法、密集目標(biāo)跟蹤算法分別從跟蹤準(zhǔn)確性、跟蹤成功率等各方面對(duì)各算法的有效性、穩(wěn)健性進(jìn)行評(píng)估。課題的工作方案以實(shí)際應(yīng)用為背景,為解決對(duì)地目標(biāo)的跟蹤監(jiān)控問題,本文的工作方案為:一、研究單目標(biāo)跟蹤算法,以滿足特殊情況下需要,例如跟蹤特定嫌疑人等。本文擬在粒子濾波框架下,用粒子群優(yōu)化思想提高采樣效率,用變結(jié)構(gòu)多模型來對(duì)目標(biāo)復(fù)雜的運(yùn)動(dòng)建模,結(jié)合在線學(xué)習(xí)來克服粒子濾波跟蹤丟失目標(biāo)后難恢復(fù)的問題。二、研究多目標(biāo)跟蹤算法,在目標(biāo)密度較小的情況下進(jìn)行多目標(biāo)跟蹤。本文擬在MHT框架下研究出能夠?qū)嶋H應(yīng)用于視覺跟蹤系統(tǒng)的簡易多目標(biāo)跟蹤方法。三、研究密集型目標(biāo)群跟蹤算法,在目標(biāo)密度較大情況下進(jìn)行密集型目標(biāo)群跟蹤。拋棄借助單獨(dú)個(gè)體的運(yùn)動(dòng)信息來進(jìn)行總體運(yùn)動(dòng)估計(jì)的方法,通過統(tǒng)計(jì)視頻中宏塊的運(yùn)動(dòng)矢量進(jìn)行總體運(yùn)動(dòng)估計(jì)。四、實(shí)現(xiàn)對(duì)地目標(biāo)跟蹤軟件系統(tǒng)。注:內(nèi)容填不下時(shí)可自行加頁�！�3—課題準(zhǔn)研備究如有何無解困決難一、單目標(biāo)的跟蹤方法近年來各種跟蹤方法層出不窮,主流算法主要有粒子濾波方法、mean-shift方法、tracking-by-detection等方法。但幾乎所有的方法對(duì)目標(biāo)的運(yùn)動(dòng)狀態(tài)都假定為平滑的,或者將運(yùn)動(dòng)限制在恒速或恒加速運(yùn)動(dòng)狀態(tài)。而實(shí)際情況并非如此,例如機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)狀態(tài)就很難用單一模型來表征。本文引入變結(jié)構(gòu)多模型方法,結(jié)合粒子濾波方法進(jìn)行視覺目標(biāo)跟蹤。變結(jié)構(gòu)多模型方法能夠很好的表征目標(biāo)的運(yùn)動(dòng)模型,因此相比單一運(yùn)動(dòng)模型能夠更好的估計(jì)目標(biāo)的運(yùn)動(dòng)。二、多目標(biāo)的跟蹤方法主要在于解決目標(biāo)發(fā)生重疊時(shí)的標(biāo)識(shí)問題。常用并比較成熟的方法有JPDA算法和MHT算法。由于JPDA算法的復(fù)雜度與目標(biāo)個(gè)數(shù)的階乘成正比,為了降低計(jì)算量許多文獻(xiàn)討論了次優(yōu)JPDA快速算法。而理論的MHT算法同樣存在計(jì)算復(fù)雜度過高難以實(shí)際應(yīng)用的問題,不少文獻(xiàn)同樣討論了簡約MHT算法。本文擬挖掘多目標(biāo)之間的運(yùn)動(dòng)關(guān)聯(lián)性約束以提高JPDA或MHT算法的效率。計(jì)劃進(jìn)度2014.4—2014.5單目標(biāo)跟蹤算法研究及軟件實(shí)現(xiàn)2014.6—2014.7多目標(biāo)跟蹤算法研究及軟件實(shí)現(xiàn)2014.8—2014.10密集目標(biāo)跟蹤算法研究及軟件實(shí)現(xiàn)2014.11—2015.1整體軟件整合及論文撰寫導(dǎo)師意見簽名:年月日學(xué)科審批意見開題報(bào)告時(shí)間:參加人數(shù):教師人,研究生人。審查結(jié)果:□同意□不同意簽名:年月日備注—4——5—

1

  本文關(guān)鍵詞：基于視頻的目標(biāo)跟蹤及人群密度估計(jì)方法研究，由筆耕文化傳播整理發(fā)布。