【摘要】：隨著視頻監(jiān)控系統(tǒng)在數(shù)字化、網(wǎng)絡化、智能化和集成化方向飛速發(fā)展,整個視頻監(jiān)控行業(yè)已經(jīng)快速進入智能監(jiān)控時代。智能視頻監(jiān)控中的行人目標發(fā)現(xiàn)與跟蹤技術(shù)是目前非常熱門的研究課題,有著重要的應用價值和研究意義。然而,自然條件下獲取的監(jiān)控視頻,由于環(huán)境復雜多變,給行人目標檢測跟蹤帶來諸多挑戰(zhàn)。針對各種復雜監(jiān)控場景,如何設計實現(xiàn)效率高、魯棒性好、實時性強的行人目標檢測跟蹤方法仍然是當今業(yè)界研究的難點。論文在總結(jié)國內(nèi)外研究成果的基礎上,以監(jiān)控領域非剛性的行人目標為主要研究對象,利用多特征協(xié)同學習對行人目標進行分析研究,擬實現(xiàn)多特征協(xié)同學習的目標檢測跟蹤,尤其是在提高復雜背景下行人檢測與跟蹤的精度方面,具有重要的理論意義和實踐價值,論文的主要工作如下:(1)針對傳統(tǒng)基于HOG特征與Ada Boost算法分類器在行人檢測中存在檢測速度慢、誤差率大的問題,論文提出一種基于自編碼神經(jīng)網(wǎng)絡與Ada Boost的快速行人檢測算法。該算法首先利用基于聚合通道特征(ACF)模型的目標檢測算法對圖像進行預處理,獲得疑似目標區(qū)域;然后對獲取的子區(qū)域進行尺度歸一化,提取HOG特征,并輸入到自編碼神經(jīng)網(wǎng)絡中進行深度編碼降維;最后利用Ada Boost分類器進行分類檢測,輸出檢測到的行人區(qū)域。仿真實驗驗證了算法的有效性。(2)在核相關目標跟蹤算法(KCF)的基礎上設計一種有效的多核相關協(xié)同學習模型的行人目標跟蹤算法,該算法通過協(xié)同學習模型將HOG特征與Haar-like特征整合到一個框架中,解決了單一特征無法處理復雜背景與顯著外觀變化的問題,同時較大提升了行人目標跟蹤的性能與穩(wěn)定性。實驗表明算法在重疊精度(OP)和跟蹤中心位置誤差(CLE)兩個評價指標上有較大改進。(3)在眾多基于學習的檢測跟蹤算法中,由于固定學習因子進行線性插值模型參數(shù)更新不能完全適應復雜背景與顯著的外觀變化,論文提出一種基于峰值旁瓣比的自適應更新策略。實驗分析表明,本文提出的學習因子自適應更新目標跟蹤算法在穩(wěn)定性和定量指標上具有明顯優(yōu)勢。
【圖文】：

伴隨著信號處理技術(shù)和數(shù)字技術(shù)的成熟，視頻監(jiān)控系統(tǒng)在數(shù)字化、網(wǎng)絡化、集成化方向飛速發(fā)展，整個視頻監(jiān)控行業(yè)已經(jīng)快速進入智能監(jiān)控時代。經(jīng)過，監(jiān)控行業(yè)已經(jīng)積累了大量的數(shù)據(jù)資源，非常滿足以大數(shù)據(jù)為基礎的人工智型訓練的要求[1]；同時，視頻監(jiān)控行業(yè)的事前預防、事中響應、事后追查的滿足人工智能的算法和技術(shù)要求。因此，在智能芯片、異構(gòu)模型、智能算法助推下，視頻監(jiān)控行業(yè)也從單一的安全領域向多行業(yè)應用、提升生產(chǎn)效率、智能化方向發(fā)展[2]。智能視頻監(jiān)控中的目標檢測與跟蹤技術(shù)是當今前沿的一個熱門研究課題，有實際應用價值和研究意義。如圖 1 所示，智能監(jiān)控系統(tǒng)獲取到視頻數(shù)據(jù)后，圖像預處理[3]，然后對圖像特征進行分析，如目標檢測[4]，目標跟蹤[5]等，像內(nèi)容進行分類、識別、決策。可以看出，目標檢測和跟蹤作為智能視頻監(jiān)技術(shù)，其算法的好壞直接影響著運動目標識別與理解的穩(wěn)定性和準確性。基檢測跟蹤系統(tǒng)，，就是對探測器獲取的圖像序列進行圖像信號處理分析，從視檢測到目標信息，進而利用跟蹤算法在隨后的序列圖像中定位出目標的位置，為后續(xù)深層次的目標行為理解與決策奠定基礎。因此，該課題是智能視頻常關鍵的步驟，具有廣泛且重要的研究價值。

2.1 行人檢測常用算法2.1.1 基于特征匹配的行人檢測行人目標檢測是一種根據(jù)傳感器采集的圖像序列或者視頻序列信息來檢測其中是否存在行人的技術(shù)，如果采集的圖像序列中存在行人則在圖像序列中標出其具體位置。隨著安防領域的快速發(fā)展，國內(nèi)外研究人員對行人檢測技術(shù)進行深入的研究，并取得了豐碩的研究成果�，F(xiàn)有的行人檢測算法大致上可分為基于特征匹配的行人檢測方法和基于統(tǒng)計學習的行人檢測方法。前者主要是對行人的特征進行描述，比如行人的頭、手等部件特征和人形模板特征，然后對全圖進行掃描匹配搜索找到與行人特征最相似的區(qū)域。如果在圖像某一子區(qū)域計算出的特征與已知行人特征庫樣本的相似度達到預先設定的閾值，則可以認為該區(qū)域具有行人，其計算框架如圖 2 所示�；谔卣髌ヅ涞男腥藱z測算法通過不同尺度的窮舉搜索找出圖像中存在的行人目標，對簡單場景具有較高的檢測精度，但是搜索復雜度太大不易實現(xiàn)實時的工程應用。在復雜場景下，行人外觀易受穿著、尺度、遮擋、姿態(tài)和視角等影響，使得基于特征匹配的行人檢測成為計算機視覺領域中一個既具有研究價值同時又極具挑戰(zhàn)性的熱門課題。
【學位授予單位】：河北農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN948.6

【參考文獻】

相關期刊論文 前5條

1 趙娜;袁家斌;徐晗;;智能交通系統(tǒng)綜述[J];計算機科學;2014年11期

2 張子龍;薛靜;喬鴻海;智永鋒;;基于改進SURF算法的交通視頻車輛檢索方法研究[J];西北工業(yè)大學學報;2014年02期

3 孫銳;侯能干;陳軍;;基于特征融合和交叉核SVM的快速行人檢測方法[J];光電工程;2014年02期

4 孫銳;陳軍;高雋;;基于顯著性檢測與HOG-NMF特征的快速行人檢測方法[J];電子與信息學報;2013年08期

5 郭烈;趙宗艷;聶倩;張廣西;;利用腿部區(qū)域HOG特征的行人檢測方法[J];計算機工程與應用;2013年01期

本文編號：2681760