發(fā)布時間：2017-12-13 13:20

  本文關(guān)鍵詞：視頻監(jiān)控中的目標(biāo)檢測與跟蹤問題研究

  更多相關(guān)文章： 迭代跟蹤 光流 在線檢測 在線學(xué)習(xí)

【摘要】：目標(biāo)檢測與跟蹤技術(shù)是計算機(jī)視覺、視頻圖像監(jiān)控與模式識別領(lǐng)域中的核心課題之一,主要的目標(biāo)為獲取跟蹤目標(biāo)的位置信息與運(yùn)動參數(shù)(如速度、加速度等)并得出目標(biāo)在圖像序列中的運(yùn)動軌跡,為進(jìn)一步的圖像理解、目標(biāo)行為分析等做好基礎(chǔ),從而完成更高級的課題任務(wù)。本文以道路上的車輛為研究對象,針對不同場景下的車輛跟蹤問題進(jìn)行了研究。論文的主要研究是基于跟蹤-學(xué)習(xí)-檢測的思想,通過檢測器來增強(qiáng)跟蹤器的穩(wěn)定性,并使用跟蹤器的結(jié)果作為正負(fù)樣本在線學(xué)習(xí)更新檢測器參數(shù)。論文主要包含三個部分:迭代跟蹤器算法研究、檢測器研究與在線學(xué)習(xí)方法研究。首先,根據(jù)跟蹤實際需求,設(shè)計跟蹤器模塊。文中首先比較了三種不同的算法,并在其基礎(chǔ)上分析改進(jìn),提出了一種光流Mean-shift融合的方法來對目標(biāo)進(jìn)行跟蹤,并與一般光流法比較,給出實驗分析,得出較好的實驗結(jié)果。其次,設(shè)計目標(biāo)檢測模塊。分別嘗試了Haar特征分類器和級聯(lián)分類器檢測目標(biāo),并在級聯(lián)分類器中改進(jìn)滑動窗口搜索機(jī)制,并應(yīng)用ViBe前景提取算法作為第二步弱分類器,采用隨機(jī)蕨類分類器作為第三級分類器,最后使用模板匹配得出檢測目標(biāo)位置。在此基礎(chǔ)上,對算法中的學(xué)習(xí)融合模塊做出設(shè)計�；谶\(yùn)動連續(xù)性原則,以跟蹤結(jié)果鄰近滑動窗口圖像塊作為正樣本,其余為負(fù)樣本,對檢測器參數(shù)進(jìn)行了在線學(xué)習(xí),得到級聯(lián)檢測器的模板匹配方法中的樣本類更新以及最后,實驗使用PETS2000數(shù)據(jù)庫和實際交通監(jiān)控視頻驗證算法。實驗結(jié)果表明在多個場景下,達(dá)到了一定的準(zhǔn)確率,但是跟蹤速度不能滿足實時性要求;與此同時,在跟蹤目標(biāo)產(chǎn)生形變、旋轉(zhuǎn)、尺度變化以及遮擋時可以穩(wěn)定跟蹤目標(biāo)。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN948.6
，

本文編號：1285283