在計(jì)算機(jī)視覺領(lǐng)域,多目標(biāo)追蹤一直是研究的熱點(diǎn)和難點(diǎn)。多目標(biāo)追蹤中,運(yùn)算數(shù)據(jù)量大、算法處理速度要求高,從而使得追蹤速度和準(zhǔn)確性無法較好權(quán)衡,為此提出將單目標(biāo)追蹤時(shí)具有快速優(yōu)勢的核相關(guān)濾波應(yīng)用于多目標(biāo)追蹤。以期在考慮追蹤速度的同時(shí),能夠保證較高的追蹤準(zhǔn)確性。本文分為以下四個(gè)部分:（1）目標(biāo)檢測。由于2D MOT 2015、MOT16數(shù)據(jù)集目標(biāo)存在誤檢和漏檢的情況,為此提出使用更快的區(qū)域卷積神經(jīng)目標(biāo)檢測網(wǎng)絡(luò)（Faster Region-based Convolutional Neural Networks,Faster R-CNN）進(jìn)行檢測,將網(wǎng)絡(luò)檢測得到的結(jié)果取代數(shù)據(jù)集提供的檢測結(jié)果。（2）目標(biāo)追蹤。為了在多目標(biāo)追蹤中加入目標(biāo)外觀信息,并且綜合速度與精度因素,本文采用核相關(guān)濾波模型。但是,通過實(shí)驗(yàn)發(fā)現(xiàn)在進(jìn)行多目標(biāo)追蹤時(shí),追蹤結(jié)果并不理想,這是因?yàn)楹讼嚓P(guān)濾波算法不支持多尺度。為了克服該問題,本文通過計(jì)算檢測目標(biāo)框和預(yù)測目標(biāo)框的交并比方式進(jìn)行解決,對于符合要求的目標(biāo)使用檢測目標(biāo)框代替核相關(guān)濾波預(yù)測框。（3）追蹤結(jié)果關(guān)聯(lián)。對于第（2）部分的交并比計(jì)算,實(shí)際是一批檢測框與一批預(yù)測框的匹配關(guān)聯(lián),本質(zhì)... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．２多目標(biāo)追蹤基本任務(wù)??（ａ每幀中獨(dú)立的目標(biāo)；ｂ全連接方式關(guān)聯(lián)結(jié)果；??ｃ經(jīng)過策略處理后關(guān)聯(lián)結(jié)果；（１２０＼１０�。玻柏蛋耍�

該目標(biāo)屬于序列第幾幀；②目標(biāo)ＩＤ：每??一個(gè)目標(biāo)都有一個(gè)唯一?ＩＤ?（－１為檢測器輸出）；③目標(biāo)框左邊坐標(biāo)：目標(biāo)邊框距離左??邊界的水平距離；④目標(biāo)框右邊坐標(biāo)：目標(biāo)邊框距離上邊界的垂直距離；⑤目標(biāo)框?qū)??度：水平方向目標(biāo)框像素?cái)?shù)；⑥目標(biāo)框高度：垂直方向目標(biāo)框像素?cái)?shù)；⑦目標(biāo)檢測置??信度：表示檢測器對該目標(biāo)框的預(yù)測結(jié)果可信度；⑧ｘ：?３Ｄ坐標(biāo)Ｘ；⑨ｙ：?３Ｄ坐標(biāo)ｙ；??⑩ｚ：?３Ｄ坐標(biāo)ｚ。??２．１．２?Ｍ０Ｔ１６?數(shù)據(jù)集??２０１６年，該網(wǎng)站又發(fā)布了新的Ｍ０Ｔ１６數(shù)據(jù)集，序列樣例見圖２．３，第一行為訓(xùn)練??集、第二行為測試集。??對Ｍ０Ｔ１６數(shù)據(jù)集的１４個(gè)圖像序列進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)內(nèi)容依然為：相機(jī)運(yùn)動狀態(tài)、相??機(jī)拍攝角度、光照條件、幀率、尺寸大孝幀數(shù)、目標(biāo)框等信息匯總１３１１，見表２．２，由??表格可以看出：１）訓(xùn)練集和測試集中各有一個(gè)序列的幀率低于２４?ｆｒａｍｅ／ｓ；?２）圖像尺??寸更加統(tǒng)一，主要為１９２０?Ｘ?１０８０大��；３）目標(biāo)框的數(shù)量和密集程度，有所增加，根據(jù)??Ｇｒｏｕｎｄ?ｔｒｕｔｈ對部分序列可視化，見圖２．４；?４）數(shù)據(jù)集中有一半序列相機(jī)保持靜止、還??有一半序列相機(jī)在運(yùn)動；５）數(shù)據(jù)采集包括室內(nèi)、室外、晴天、陰天、多云等情況。??圖２．３?ＭＯＴ１６數(shù)據(jù)集展示??Ｆｉｇ．?２．３?Ｄａｔａ?ｓｅｔ?ｄｉｓｐｌａｙ?ｏｆ?ＭＯＴ?１６??圖２．４?ＭＯＴ１６部分訓(xùn)練集序列Ｇｒｏｕｎｄ?Ｔｒｕｔｈ可視化??Ｆｉｇ．?２．４?ＭＯＴ?１６?ｐａｒｔ?ｔｒａｉｎｉｎｇ?ｓｅｔ?ｓｅｑｕｅｎｃｅ?ｇｒｏｕｎｄ?ｔｒｕｔｈ?ｖｉｓｕａｌｉｚａｔｉｏｎ??－１２?－??

灰度特征、彩色特征、關(guān)鍵點(diǎn)特征、紋理特征、直方圖特征、方向梯度直方圖特征等。??對于分類器可以使用：邏輯回歸、隨機(jī)森林、決策樹、貝葉斯、Ｋ均值、支持向量機(jī)等。??不同組合方式對分類結(jié)果都會產(chǎn)生各種問題，所以對于目標(biāo)檢測模型而言，大家比較公??認(rèn)的組合是：方向梯度直方圖特征與支持向量機(jī)組合的模型｜９１。??圖２．６（ａ）是該模型的訓(xùn)練過程對于訓(xùn)練過程需要將行人類別和非行人類別分別提取??對應(yīng)的ＨＯＧ特征，然后利用ＳＶＭ將眾多樣本進(jìn)行分類，學(xué)習(xí)最佳分類參數(shù)，該參數(shù)??即為分類模型。圖２．６（ｂ）是模型檢測過程，對于檢測過程需要對每個(gè)序列的每一副圖像??進(jìn)行ＨＯＧ特征提取，由于相機(jī)拍攝角度的原因會存在人物尺度縮放問題，為此將單幅??圖像進(jìn)行尺度變換，得到高斯金字塔模型，然后利用訓(xùn)練好的分類器進(jìn)行檢測，最后將??檢測到的行人進(jìn)行位置標(biāo)注。??

【參考文獻(xiàn)】：
碩士論文
[1]基于核相關(guān)濾波器的目標(biāo)追蹤算法研究[D]. 劉忠耿.南京理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的監(jiān)控視頻多目標(biāo)追蹤研究[D]. 李葉.華中科技大學(xué) 2017



本文編號：2988971