行人跟蹤是機器視覺領域研究熱點之一,通過對行人進行定位并獲取其運動軌跡,實現(xiàn)對行人目標持續(xù)跟蹤。受快速運動、遮擋等因素干擾,行人跟蹤算法在實際應用中存在準確度低、魯棒性差等問題。因此,研究基于視頻的行人跟蹤方法具有非常重要的應用價值。本文圍繞基于視頻的行人跟蹤方法,在行人檢測、單目標行人跟蹤、多目標行人跟蹤等方面展開研究,具體工作如下:在行人檢測方面,探討了YOLO系列檢測方法,根據(jù)真實場景中實時性、準確性的要求,實現(xiàn)了基于YOLOv3的行人檢測方法,并使用Caltech數(shù)據(jù)集進行測試。實驗結果表明,基于YOLOv3的行人檢測方法在實時性和準確性上達到了平衡,為接下來研究行人跟蹤奠定基礎。在單目標行人跟蹤方面,針對基于孿生區(qū)域建議網(wǎng)絡的目標跟蹤方法在外界干擾因素影響下魯棒性不高、泛化能力差的問題,提出了一種用于單目標行人跟蹤的驗證學習方法。首先,通過孿生區(qū)域建議網(wǎng)絡提取特征并生成多個候選框,根據(jù)候選框分數(shù)排序選出最佳目標位置并進行臨時存儲;然后,根據(jù)驗證學習跟蹤結果確定是否觸發(fā)校正機制;最后,將校正后的結果再次反饋給跟蹤器,并更新目標的位置和大小,完成目標的連續(xù)跟蹤。在VOT2018數(shù)... 

【文章來源】：中國人民公安大學北京市

【文章頁數(shù)】：123 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 研究現(xiàn)狀
        1.2.1 行人檢測
        1.2.2 單目標行人跟蹤
        1.2.3 多目標行人跟蹤
    1.3 本文主要研究內容與結構安排
        1.3.1 主要研究內容
        1.3.2 結構安排
2 基于YOLOv3 的行人檢測
    2.1 深度學習理論
        2.1.1 基礎原理
        2.1.2 經(jīng)典卷積神經(jīng)網(wǎng)絡
    2.2 基于YOLO系列算法的檢測
        2.2.1 基于YOLOv1 的檢測
        2.2.2 基于YOLOv2 的檢測
        2.2.3 基于YOLOv3 的檢測
    2.3 實驗與結果分析
        2.3.1 數(shù)據(jù)集與評估指標
        2.3.2 結果分析
    2.4 本章小結
3 單目標行人跟蹤
    3.1 基于孿生區(qū)域建議網(wǎng)絡的目標跟蹤(Siam RPN)
    3.2 結合驗證學習的行人跟蹤
        3.2.1 基本框架
        3.2.2 跟蹤模塊
        3.2.3 驗證模塊
    3.3 實驗與結果分析
        3.3.1 數(shù)據(jù)集與評估指標
        3.3.2 定量分析
        3.3.3 定性分析
    3.4 本章小結
4 多目標行人跟蹤
    4.1 基于檢測的多目標跟蹤
    4.2 結合表觀特征的行人跟蹤
        4.2.1 網(wǎng)絡結構設計
        4.2.2 度量學習
        4.2.3 運動狀態(tài)估計
    4.3 關聯(lián)匹配
    4.4 實驗與結果分析
        4.4.1 數(shù)據(jù)集與評測指標
        4.4.2 實驗過程
        4.4.3 結果分析
    4.5 本章小結
5 基于視頻的行人跟蹤軟件實現(xiàn)
    5.1 開發(fā)環(huán)境與界面設計
        5.1.1 開發(fā)環(huán)境
        5.1.2 界面設計
    5.2 軟件功能實現(xiàn)
        5.2.1 基于圖像的行人檢測
        5.2.2 基于視頻的行人檢測
        5.2.3 單目標行人跟蹤
        5.2.4 多目標行人跟蹤
    5.3 本章小結
結論
參考文獻
在學研究成果
致謝


【參考文獻】：
碩士論文
[1]道路場景中的多目標跟蹤研究[D]. 賀思遠.北京交通大學 2019
[2]智能視頻監(jiān)控系統(tǒng)中的目標檢測和多目標跟蹤技術研究[D]. 楊磊.南京航空航天大學 2019
[3]智能視頻監(jiān)控中多目標跟蹤算法研究及應用[D]. 張曉斌.蘇州大學 2017



本文編號：3182152