視頻內(nèi)容的理解和分析是計算機視覺領(lǐng)域研究的熱門問題之一,在公共安全、自動駕駛以及人機交互等多個領(lǐng)域都有著廣泛的應(yīng)用前景。本文圍繞監(jiān)控視頻中行人感知與分析中的關(guān)鍵問題展開研究,分別對視頻中個體和群體的行為進行分析。從個體行為的角度,利用運動目標(biāo)檢測和目標(biāo)跟蹤將行人從視頻序列中分別分割出來,進而使用行為識別模型進行分類;對于群體行為,通過人數(shù)統(tǒng)計模型對視頻幀的人群密度進行估計�；谠撗芯克悸�,本文著重研究了運動目標(biāo)檢測、目標(biāo)跟蹤、行為識別以及人數(shù)統(tǒng)計等四個方面內(nèi)容。主要研究內(nèi)容和創(chuàng)新點概述如下:（1）構(gòu)建了一種基于自適應(yīng)效能樣本的目標(biāo)檢測模型。目前基于樣本的檢測方法均假設(shè)每個樣本具有等同的重要性,這使得在模型更新的時候易于錯誤更新有效樣本,從而導(dǎo)致較低的準(zhǔn)確率。為此,本文提出用可變的權(quán)重去衡量樣本的重要性,并用效能去評估樣本的活動性,進而使得模型可以簡單有效地識別有效樣本。為了快速適應(yīng)場景的變化,本文又提出了一種新的更新策略:首先提出了一種最小權(quán)值更新策略以避免有效樣本錯誤的更新;其次提出了獎勵懲罰權(quán)重策略以加強正樣本的權(quán)重并懲罰其他的樣本;最后提出了定量的空間傳播機制以減少鬼影等噪聲的影... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：126 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 運動目標(biāo)檢測
        1.2.2 目標(biāo)跟蹤
        1.2.3 行為識別
        1.2.4 人數(shù)統(tǒng)計
    1.3 公開的數(shù)據(jù)庫
    1.4 論文主要研究工作
        1.4.1 研究內(nèi)容
        1.4.2 論文的組織結(jié)構(gòu)
第二章 基于自適應(yīng)效能樣本的目標(biāo)檢測模型
    2.1 引言
    2.2 自適應(yīng)效能樣本模型
        2.2.1 背景模型
        2.2.2 背景分類
        2.2.3 背景模型初始化
        2.2.4 背景模型更新
        2.2.5 模型參數(shù)的自適應(yīng)反饋
    2.3 實驗結(jié)果與分析
        2.3.1 模型初始化
        2.3.2 CDNet數(shù)據(jù)庫的實驗結(jié)果
    2.4 本章小結(jié)
第三章 基于自相關(guān)表示的目標(biāo)跟蹤模型
    3.1 引言
    3.2 自相關(guān)表示模型
    3.3 基于自相關(guān)表示的目標(biāo)跟蹤模型
        3.3.1 粒子濾波
        3.3.2 觀測模型
    3.4 實驗結(jié)果與分析
        3.4.1 算法評價標(biāo)準(zhǔn)
        3.4.2 算法定量的對比
        3.4.3 算法定性的對比
    3.5 本章小結(jié)
第四章 基于雙路3D卷積網(wǎng)絡(luò)的行為識別模型
    4.1 引言
    4.2 3D卷積網(wǎng)絡(luò)的優(yōu)點及局限
        4.2.1 2D和3D卷積網(wǎng)絡(luò)的對比
        4.2.2 3D網(wǎng)絡(luò)的局限及發(fā)展
    4.3 雙路3D卷積網(wǎng)絡(luò)
        4.3.1 基礎(chǔ)網(wǎng)絡(luò)
        4.3.2 時空降采樣模塊
        4.3.3 細分支
        4.3.4 粗分支
        4.3.5 側(cè)邊連接
    4.4 實驗結(jié)果與分析
        4.4.1 實驗配置
        4.4.2 數(shù)據(jù)庫
        4.4.3 消融實驗
        4.4.4 實驗結(jié)果對比
    4.5 監(jiān)控視頻中行人分析案例
    4.6 本章小結(jié)
第五章 基于掩膜感知深度網(wǎng)絡(luò)的人數(shù)統(tǒng)計模型
    5.1 引言
    5.2 掩膜感知的深度網(wǎng)絡(luò)模型
        5.2.1 高斯密度估計
        5.2.2 方法總覽
        5.2.3 主干網(wǎng)絡(luò)
        5.2.4 掩膜預(yù)測分支
        5.2.5 掩膜感知的密度回歸
    5.3 實驗結(jié)果與分析
        5.3.1 評價指標(biāo)
        5.3.2 數(shù)據(jù)庫
        5.3.3 實驗配置
        5.3.4 解決方案的分析
        5.3.5 消融實驗
        5.3.6 實驗結(jié)果對比
    5.4 監(jiān)控視頻中人數(shù)統(tǒng)計案例
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
攻讀博士學(xué)位期間取得的學(xué)術(shù)成果及項目情況


【參考文獻】：
博士論文
[1]基于結(jié)構(gòu)化判別模型的視覺跟蹤算法研究[D]. 孫沖.大連理工大學(xué) 2018
[2]基于視頻的人類行為識別方法研究[D]. 劉志康.中國科學(xué)技術(shù)大學(xué) 2018
[3]基于深度學(xué)習(xí)的行人再識別研究[D]. 朱福慶.大連理工大學(xué) 2018



本文編號：2980016