本文選題：智能交通系統(tǒng) + 跨攝像機行人跟蹤　； 參考：《華南理工大學(xué)》2016年博士論文

【摘要】：無視野重疊區(qū)域的跨攝像機行人跟蹤是指運用計算機視覺、模式識別和機器學(xué)習(xí)等技術(shù),在無視野重疊區(qū)域的不同攝像機間對相同行人進行檢測、跟蹤和再識別,從而實現(xiàn)對行人進行長時間、遠距離的持續(xù)跟蹤。目前,它已成為智能交通系統(tǒng)中的研究熱點與難點問題。然而,由于在實際的交通監(jiān)控環(huán)境中存在復(fù)雜的背景、光照變化、行人間遮擋、運動形變、攝像機拍攝視角和攝像機間自身屬性差異等因素干擾,使得無視野重疊區(qū)域的跨攝像機行人跟蹤面臨著巨大的困難與挑戰(zhàn)。本文針對上述干擾因素,對無視野重疊區(qū)域的跨攝像機行人跟蹤過程中的檢測、跟蹤和再識別展開了深入研究,其主要的研究工作包括以下內(nèi)容。一、本文提出了一種顯著性二值化Haar-like特征(SLBH),該特征在融合了LBP特征和Haar-like特征優(yōu)點的基礎(chǔ)上,增加了對行人顯著性信息的描述。另外,基于整體特征的行人檢測算法容易受部分遮擋和運動形變的影響,本文提出了一種多部件驗證的雙層行人檢測算法。該算法首先采用低維的SLBH特征檢測整個行人,對于落入模糊區(qū)域的候選行人利用行人部件進行進一步檢測,最后利用貝葉斯估計判斷模糊區(qū)域的候選行人。理論分析和實驗結(jié)果表明所提算法能有效的降低行人檢測的虛警率。二、本文在粒子濾波框架下提出了一種權(quán)值自動調(diào)整的多特征融合的行人跟蹤算法來自動適應(yīng)外界環(huán)境的變化。同時,為了減少因多特征融合而造成粒子特征提取時間開銷增加的缺陷,本文提出了一種類似積分圖技術(shù)的方法來加快粒子區(qū)域特征提取速度。理論分析和實驗結(jié)果表明所提算法能有效的適應(yīng)周圍環(huán)境變化,提高了行人跟蹤準確率。三、行人再識別則主要完成兩個攝像機間相同行人的確認工作。由于運動形變、部分遮擋和光照變化、攝像機的拍攝角度、曝光時間等自身屬性差異等因素都直接影響行人再識別的準確度。因此,為了增加行人再識別算法對上述影響因素的魯棒性,本文提出了基于分組相似度對比模型的行人再識別算法。該算法首先通過構(gòu)建圖庫里行人樣本的原型并以樣本原型相似度特征代替底層特征來增加特征的語義信息。其次使用圖像序列代替單幅圖像作為查詢圖像,并采用系統(tǒng)抽樣的方法將圖像序列分組,同時設(shè)置了組內(nèi)樣本圖像間進行相似度計算而組間不計算的規(guī)則來構(gòu)建個體差異性特征。最后結(jié)合AdaBoost分類器實現(xiàn)行人再識別。此外,為了增強歐氏距離在兩特征向量間相似度測量上的區(qū)分能力,本文提出了顯著性差異距離。理論分析和實驗結(jié)果表明所提算法可有效的抵抗行人在交通場景中的各種仿射變換、噪聲等。四、為了增強時空信息在無視野重疊的攝像機網(wǎng)絡(luò)中的可靠性,本文提出了基于加權(quán)時間的攝像機網(wǎng)絡(luò)拓撲結(jié)構(gòu)估計算法。該算法假設(shè)行人在不同攝像機間的轉(zhuǎn)移時間滿足高斯分布,通過對在平均轉(zhuǎn)移時間附近到達的行人給予較大的權(quán)值,而遠離平均轉(zhuǎn)移時間到達的行人給予較小的權(quán)值,進而突出不同時間到達的行人對網(wǎng)絡(luò)攝像機拓撲結(jié)構(gòu)估計所做的貢獻。在此基礎(chǔ)上,結(jié)合行人檢測、跟蹤和再識別算法提出了時空線索融合的無視野重疊區(qū)域的跨攝像機行人跟蹤算法。理論分析和實驗結(jié)果表明所提算法能有效的提高攝像機網(wǎng)絡(luò)拓撲結(jié)構(gòu)估計的準確性,可更好的輔助于無視野重疊區(qū)域的跨攝像機行人跟蹤。
[Abstract]:Cross camera pedestrian tracking without field of vision refers to the use of computer vision, pattern recognition and machine learning techniques to detect, track and re identify the same pedestrians in different cameras in the no field of overlap, so as to achieve a long and long distance tracking for pedestrians. At present, it has become an intelligent transportation. However, because of the complex background in the actual traffic monitoring environment, illumination changes, pedestrian occlusion, movement deformation, camera angle of view and the difference of the self property between cameras, the cross camera pedestrian tracking in the non field of vision overlaps faces great difficulties. In this paper, this paper studies the detection, tracking and re recognition of cross camera pedestrian tracking in the unoverlapping region. The main research work includes the following contents. First, this paper proposes a significant two valued Haar-like feature (SLBH), which combines the LBP features and Haar-li. In addition, the pedestrian detection algorithm based on the whole feature is easily affected by partial occlusion and movement deformation based on the advantages of Ke. In this paper, a double pedestrian detection algorithm with multi component verification is proposed in this paper. First, the algorithm uses low dimensional SLBH features to detect the whole pedestrian. The candidate pedestrians in the fuzzy region use the pedestrian component to carry out further detection. Finally, the Bayesian estimation is used to judge the candidate pedestrians in the fuzzy region. The theoretical analysis and experimental results show that the proposed algorithm can effectively reduce the false alarm rate of pedestrian detection. Two. In this paper, a multi feature fusion of weight automatic adjustment is proposed under the particle filter framework. The pedestrian tracking algorithm adapts to the change of the environment automatically. At the same time, in order to reduce the defect that the time overhead of the particle feature extraction is increased because of the multi feature fusion, a method similar to the integral graph technique is proposed to speed up the velocity of the particle region feature extraction. The theoretical analysis and experimental results show that the proposed algorithm is effective. To adapt to the changes of the surrounding environment, the accuracy of pedestrian tracking is improved. Three, the re recognition of pedestrians mainly completes the confirmation work of the same pedestrians between two cameras. Due to movement deformation, partial occlusion and illumination change, camera shooting angle, exposure time and other factors of the self attributes are directly affected by the accuracy of pedestrian recognition. In order to increase the robustness of the pedestrian re recognition algorithm to the above factors, a pedestrian rerecognition algorithm based on the group similarity contrast model is proposed in this paper. First, the semantic information of the feature is increased by constructing the prototype of the pedestrian sample in the library and replacing the underlying feature with the sample prototype similarity. Secondly, the graph is used. The image sequence is replaced by the image sequence as the query image, and the image sequence is grouped by the system sampling method. At the same time, the individual difference characteristics are set up by the similarity calculation between the sample images in the group and the non calculating rules between the groups. Finally, the AdaBoost classifier is used to realize the rerecognition of the rows. In addition, in order to enhance the Euclidean distance, Two the distinguishing ability of similarity measurement between eigenvectors, this paper presents a significant difference distance. Theoretical analysis and experimental results show that the proposed algorithm can effectively resist all kinds of affine transformation and noise in pedestrians in traffic scene. Four, in order to enhance the reliability of spatio-temporal information in the camera network without field of vision, this paper puts forward this paper. A network topology estimation algorithm based on weighted time is proposed. The algorithm assumes that the time of pedestrians' transfer between different cameras satisfies Gauss distribution and gives greater weights to pedestrians arriving near the average transfer time, while pedestrians who are far away from the average transfer time give smaller weights, and then they are different. On the basis of the pedestrian detection, tracking and rerecognition algorithm, a pedestrian tracking algorithm with a spatio-temporal clue fusion is proposed. The theoretical analysis and experimental results show that the proposed algorithm can effectively improve the network extension of the camera network. The accuracy of estimation of flutter structure can be better aided by cross camera pedestrian tracking in non visual overlap area.
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 孫鳳梅,胡占義;攝像機簡化模型對三維重構(gòu)的影響——分析與實驗[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2005年10期

2 樹子;;運動攝像“4+1”DV攝像高手之路[J];數(shù)字通信;2006年04期

3 徐淑平;;視像中的攝像機運動檢測[J];計算機技術(shù)與發(fā)展;2007年07期

4 高俊鑫;華煒;章國鋒;秦學(xué)英;;帶約束的攝像機定標方法[J];中國圖象圖形學(xué)報;2010年03期

5 耿玉亮;須德;;一種魯棒的攝像機運動分類算法[J];電子學(xué)報;2006年07期

6 孫鳳梅;王衛(wèi)寧;;關(guān)于攝像機正交運動下約束方程獨立性的一點討論[J];自動化學(xué)報;2007年10期

7 黎俊;彭啟民;呂文先;范植華;;基于尺度不變局部特征的攝像機運動檢測[J];系統(tǒng)仿真學(xué)報;2009年16期

8 孫卓金;胡士強;;雙攝像機協(xié)同人臉鷹眼檢測與定位方法[J];計算機應(yīng)用;2011年12期

9 張思民;瞿帆;孫航;;基于攝像機運動控制的運動目標檢測與跟蹤算法研究[J];福建電腦;2013年09期

10 李鈾;宋利;王嘉;;基于圖像拼接的雙攝像機系統(tǒng)自動標定方法[J];電視技術(shù);2010年04期

相關(guān)會議論文 前2條

1 孫宇臣;葛寶臻;牟冰;孫明睿;張以謨;;采用線性方法對攝像機的分區(qū)標定[A];大珩先生九十華誕文集暨中國光學(xué)學(xué)會2004年學(xué)術(shù)大會論文集[C];2004年

2 張娟;陳春曉;;基于分層重建的攝像機完全自標定[A];2011下一代自動測試系統(tǒng)學(xué)術(shù)研討會論文集[C];2011年

相關(guān)重要報紙文章 前2條

1 重慶 哎呀;教你使用家用攝像機[N];電腦報;2002年

2 關(guān)景火 蔡濤 李德華;幾種典型的表演動畫系統(tǒng)[N];計算機世界;2002年

相關(guān)博士學(xué)位論文 前10條

1 董文會;多攝像機監(jiān)控網(wǎng)絡(luò)中的目標連續(xù)跟蹤方法研究[D];山東大學(xué);2015年

2 陳和恩;基于單目攝像機的增強現(xiàn)實場景感知技術(shù)研究[D];廣東工業(yè)大學(xué);2016年

3 譚飛剛;無視野重疊區(qū)域的跨攝像機行人跟蹤關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2016年

4 孫曉燕;多攝像機接力目標跟蹤關(guān)鍵算法研究[D];山東大學(xué);2014年

5 張柳新;多攝像機三維重建技術(shù)與應(yīng)用[D];北京理工大學(xué);2010年

6 譚樹人;全方位攝像機與主動攝像機協(xié)作跟蹤技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

7 曾成斌;多攝像機協(xié)同的行人檢測技術(shù)研究[D];北京郵電大學(xué);2011年

8 楊磊;單目運動攝像機進行稠密場景重建的方法研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機械與物理研究所);2015年

9 耿玉亮;基于內(nèi)容的視頻結(jié)構(gòu)化技術(shù)的研究[D];北京交通大學(xué);2006年

10 楊廣林;主動視頻監(jiān)控中若干問題的研究[D];燕山大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 潘至尊;多攝像機連續(xù)目標跟蹤系統(tǒng)的應(yīng)用研究[D];聊城大學(xué);2015年

2 余慧;多攝像機下的智能視頻監(jiān)控及其在電纜防盜中的應(yīng)用研究[D];西南科技大學(xué);2015年

3 吳盈;基于智能輔助視域盲區(qū)目標識別與匹配[D];寧波大學(xué);2015年

4 馬鉑倫;電影特效鏡頭的制作[D];北京工業(yè)大學(xué);2015年

5 文雪;基于信息融合的多攝像機跟蹤的算法研究[D];黑龍江大學(xué);2015年

6 石皓;用于全景與PTZ主從攝像機的標定方法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

7 張瀅;多攝像機運動目標檢測與分析研究[D];合肥工業(yè)大學(xué);2014年

8 貢超;無重疊視域多攝像機目標匹配算法研究[D];合肥工業(yè)大學(xué);2014年

9 張丹;基于Agent和最優(yōu)搜索理論的多攝像機協(xié)同跟蹤[D];北京交通大學(xué);2016年

10 吳磊杰;攝像機運動檢測技術(shù)研究[D];華北電力大學(xué)（北京）;2009年

，

本文編號：1906446