【摘要】：利用視頻追蹤行人的運動軌跡,在公共安全領域已經(jīng)得到廣泛應用。但是,行人的活動范圍往往跨越多個攝像機視野,同時在視頻中表現(xiàn)出運動自由度高、易受環(huán)境影響等特點,現(xiàn)有的跨攝像機行人自適應跟蹤方法難以滿足實際應用需求。因此,跨攝像機行人跟蹤成為當前的研究熱點。本文主要研究跨攝像機行人跟蹤方法,包括行人檢測、運動目標跟蹤和行人再識別等部分,同時設計并實現(xiàn)了跨攝像機行人跟蹤軟件。具體工作如下:在行人檢測方面,實現(xiàn)了基于HOG特征的行人檢測方法與基于Faster R-CNN的行人檢測方法,并使用Caltech數(shù)據(jù)集對這兩種方法進行評測,從特征提取效率、行人檢測效率與準確性等方面進行對比分析。實驗結果表明,前者在運算效率尤其是特征提取效率方面占優(yōu),而后者在準確性上表現(xiàn)更佳。在運動目標跟蹤方面,提出了一種改進的ECO跟蹤方法。該方法針對ECO跟蹤方法在目標旋轉、發(fā)生遮擋等場景下易出現(xiàn)跟蹤框漂移的問題,提出了一種跟蹤效果在線評估方法,并基于評估優(yōu)化了濾波器的更新策略。首先,基于高效卷積操作融合HOG特征與多通道顏色特征,并對特征矩陣進行降維處理;然后,將特征矩陣送入濾波器進行相關運算,搜索相關性最大的區(qū)域,定位運動目標;最后,基于相關響應分布評估當前幀的跟蹤效果,并根據(jù)評估結果監(jiān)督相關濾波器的更新。在OTB-50和OTB-100數(shù)據(jù)集上的對比實驗表明,該方法的跟蹤準確率分別達到88.4%和84.7%,成功率分別達到84.1%和77.8%,在強光、遮擋、旋轉等多種場景下性能均有提升,魯棒性較好。在行人再識別方面,提出了一種基于角度匹配與部件分割的行人再識別方法。該方法針對傳統(tǒng)基于部件的行人再識別方法角度適應性較差的問題,在人體部件分割與特征融合環(huán)節(jié)進行了優(yōu)化。首先,使用卷積神經(jīng)網(wǎng)絡實現(xiàn)人體關鍵點提取、部件分割與角度分析;然后,基于人體角度將查詢樣本與候選圖像進行匹配,在不同的匹配關系下分別訓練特征融合網(wǎng)絡;最后,使用三元組損失函數(shù)進行度量學習,得到適用于行人再識別的網(wǎng)絡模型。在Market-1501數(shù)據(jù)集上的對比實驗表明,該方法的1選識別正確率(Rank-1)和平均精度(mAP)分別達到87.85%和70.62%,準確性較高。在軟件設計與實現(xiàn)方面,通過分析軟件功能需求,以Matlab2016為開發(fā)平臺,使用Caffe作為深度學習框架,設計并實現(xiàn)了跨攝像機行人跟蹤軟件,軟件具有行人檢測、運動目標跟蹤、行人再識別與跨攝像機行人連續(xù)跟蹤等功能。
【學位授予單位】：中國人民公安大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;D918.2
【圖文】：

機下行人的檢測與跟蹤功能。1.3.2 結構安排本文共分為五章，其組織結構如圖1.1 所示，論文各章節(jié)安排如下：圖 1.1 本文組織結構圖第一章，概述跨攝像機行人跟蹤的研究背景與現(xiàn)實意義，介紹行人檢測、運動目標跟蹤與行人再識別的研究現(xiàn)狀。

行人檢測方法，需要經(jīng)歷訓練與檢測兩個基本環(huán)節(jié)來實現(xiàn)行人檢測——首先讓算法從已有的數(shù)據(jù)集中“學會”什么是行人，即“訓練環(huán)節(jié)”；然后讓算法在新的圖像中檢索出行人，即“檢測環(huán)節(jié)”，如圖2.1 所示。圖 2.1 行人檢測的基本環(huán)節(jié)示意圖在訓練環(huán)節(jié)，算法通過訓練分類器來獲得對候選目標的判別能力。這一環(huán)節(jié)包含三個步驟：首先構建訓練集。訓練集由經(jīng)過預處理的圖像組成，包括正樣本與負樣本。正樣本為已經(jīng)裁剪好的單一行人目標，而負樣本為包含行人部分身體或其他物體的圖像。然后對圖像進行特征提取�；谥付ㄌ卣髯�，將訓練集中的圖像轉換到預定的特征空間。

由上述流程可知，基于人工特征的行人檢測方法通常包括圖像預處理、候選區(qū)域提取、特征提取、判別分類、結果輸出等步驟，如圖2.2 所示。圖 2.2 基于人工特征的行人檢測方法實現(xiàn)流程圖2.1.1 HOG 特征HOG（Histogram of Oriented Gradient）特征又稱方向梯度直方圖特征，于 2005 年由Dalal 等人提出，旨在實現(xiàn)對人體外觀與形態(tài)的更好表達。HOG 特征的本質為在密集網(wǎng)格上描述圖像梯度方向的局部直方圖。圖像中HOG 特征的提取可分為以下五個步驟，如圖2.3 所示。

【相似文獻】

相關期刊論文 前10條

1 林金蓮;;需求跟蹤方法研究[J];計算機時代;2010年01期

2 龔春紅;;基于多特征自適應融合的魯棒跟蹤方法[J];湖南文理學院學報(自然科學版);2016年04期

3 羅楊;謝麗媛;江珊娜;;通過跟蹤方法學改進醫(yī)院壓瘡風險管理[J];深圳中西醫(yī)結合雜志;2016年20期

4 李儉富;;基于神經(jīng)網(wǎng)絡技術的指數(shù)跟蹤方法[J];統(tǒng)計與決策;2011年23期

5 毛茜;劉文瓊;;基于組合預測的指數(shù)跟蹤方法研究[J];湖州師范學院學報;2015年04期

6 孫建軍;;基于粒子濾波的檢測前跟蹤方法研究[J];科技視界;2014年14期

7 徐君妍;崔宗勇;羅遠慶;曹宗杰;;復雜場景下的加權粒子濾波行人跟蹤方法[J];信號處理;2017年07期

8 陳紅陽;汪林林;魯江坤;唐志;王飛雪;;基于雙態(tài)模型的微博話題跟蹤方法研究[J];計算機工程與應用;2017年16期

9 李儉富;馬永開;;基于證券價格時間序列的協(xié)整優(yōu)化指數(shù)跟蹤方法研究[J];系統(tǒng)工程理論與實踐;2006年11期

10 何凱霖;丁曉峰;;基于低維流形的人體行為跟蹤方法[J];計算機工程與設計;2017年05期

相關會議論文 前10條

1 蔣大林;馬軍強;;基于視頻的車輛檢測與跟蹤方法綜述[A];第六屆全國信息獲取與處理學術會議論文集（2）[C];2008年

2 王寧;陳常念;陳加忠;范曄斌;王冼;;標定環(huán)境下基于粒子濾波的行人跟蹤方法[A];第七屆和諧人機環(huán)境聯(lián)合學術會議（HHME2011)論文集【oral】[C];2011年

3 林鴻飛;宋丹;楊志豪;;基于語義框架的話題跟蹤方法[A];中文信息處理前沿進展——中國中文信息學會二十五周年學術會議論文集[C];2006年

4 楊之恬;馬智亮;張友三;;預制構件生產與裝配一體化跟蹤方法研究[A];第二屆全國BIM學術會議論文集[C];2016年

5 馮志全;鄭艷偉;徐濤;楊波;;基于粒子濾波的人手跟蹤方法研究[A];第三屆和諧人機環(huán)境聯(lián)合學術會議（HHME2007）論文集[C];2007年

6 趙小川;劉培志;范桂峰;;改進型變化目標實時跟蹤方法[A];第十一屆全國信號和智能信息處理與應用學術會議�？痆C];2017年

7 梁懷宗;華慶一;;基于背景差分的人體跟蹤方法在視頻交互中的應用[A];第四屆和諧人機環(huán)境聯(lián)合學術會議論文集[C];2008年

8 宋丹;吳晨;薛德軍;師慶輝;;基于KNN的科技主題跟蹤[A];第五屆全國信息檢索學術會議論文集[C];2009年

9 劉勛;孟驤龍;毋立芳;;基于自適應對象模型的籃球運動跟蹤方法[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

10 羅詩途;張s

本文編號：2754861