【摘要】：近年來(lái),視頻監(jiān)控在安防領(lǐng)域得到了廣泛的應(yīng)用,特別是在大型活動(dòng)現(xiàn)場(chǎng)、學(xué)校、銀行、商場(chǎng)、機(jī)場(chǎng)、高速公路、地鐵等對(duì)安全要求敏感的場(chǎng)合。視頻監(jiān)控系統(tǒng)一般包括運(yùn)動(dòng)目標(biāo)檢測(cè),目標(biāo)跟蹤,行為檢測(cè),異常信息歸檔等模塊。其中,多目標(biāo)跟蹤在很多方面得到了廣泛的應(yīng)用,是近年來(lái)計(jì)算機(jī)視覺、人機(jī)交互系統(tǒng)、模式識(shí)別等領(lǐng)域的熱門研究問題。但是,多目標(biāo)跟蹤還存在諸多問題有待研究。本文針對(duì)國(guó)內(nèi)外多目標(biāo)跟蹤算法進(jìn)行歸納,分析各自優(yōu)缺點(diǎn),主要包括目標(biāo)視覺表示模型和多目標(biāo)跟蹤方法研究,并總結(jié)了多目標(biāo)跟蹤算法的難點(diǎn),最后討論了多目標(biāo)跟蹤算法未來(lái)發(fā)展趨勢(shì)。本論文主要?jiǎng)?chuàng)新工作及研究成果如下:1)本文首先針對(duì)復(fù)雜場(chǎng)景下,如光照變化、方向變化、尺度變化等,單一特征的目標(biāo)視覺表示模型很難準(zhǔn)確描述目標(biāo)圖像,可靠性較差的問題,提出了一種基于模糊理論和主成分分析法的多特征融合算法,該算法首先提取目標(biāo)的顏色特征、紋理特征以及梯度特征,接著采用模糊理論對(duì)特征進(jìn)行粗選擇,最后利用PCA算法對(duì)粗選擇后的特征進(jìn)行融合,有效減少算法復(fù)雜度。實(shí)驗(yàn)結(jié)果表明,融合特征能夠較好地適應(yīng)場(chǎng)景的變化,取得更加魯棒的跟蹤結(jié)果。2)融合時(shí)空約束的判別式分類模型理論的建立。針對(duì)現(xiàn)有的基于判別式模型的多目標(biāo)跟蹤算法中判別模型沒有同時(shí)利用多目標(biāo)間時(shí)空關(guān)系的問題,論文根據(jù)同一幀中多個(gè)目標(biāo)間的位置關(guān)系,以及目標(biāo)的運(yùn)動(dòng)關(guān)系,建立了融合時(shí)空約束和結(jié)構(gòu)化SVM的判別式分類模型,最后利用被動(dòng)-主動(dòng)(Passive Aggressive,PA)算法實(shí)現(xiàn)對(duì)判別式分類模型參數(shù)的更新。3)基于時(shí)空約束判別式分類模型的多目標(biāo)跟蹤算法。基于時(shí)空約束判別式分類模型實(shí)現(xiàn)視頻多目標(biāo)的跟蹤,該算法首先提取圖像中每個(gè)目標(biāo)區(qū)域的HOG特征,并結(jié)合結(jié)構(gòu)化支持向量機(jī)分類器進(jìn)行樣本訓(xùn)練,得到每個(gè)目標(biāo)的外觀模型。其次使用最小生成樹模型來(lái)構(gòu)建同一幀中各個(gè)目標(biāo)間的空間約束,基于目標(biāo)的運(yùn)動(dòng)信息建立時(shí)間約束。在跟蹤過(guò)程中,使用結(jié)構(gòu)化SVM框架進(jìn)行參數(shù)的在線學(xué)習(xí),實(shí)時(shí)地更新各個(gè)目標(biāo)的外觀模型、空間以及時(shí)間約束。該算法充分利用了目標(biāo)時(shí)空關(guān)系,與僅基于空間約束的多目標(biāo)跟蹤算法相比,在公用數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該算法具有一定的改善。
【圖文】：

圖 3-2 多特征融合示意圖對(duì)采用主成分分析法(Principal Component Analysis, PCA)進(jìn)行多特高的問題，論文提出了一種基于模糊理論和主成分分析法(Fuzzy Thl Component Analysis, FT-PCA)的多特征融合算法，該算法首先提色特征、LBP 特征和 HOG 特征，其次采用模糊理論對(duì)特征進(jìn)行粗 PCA 算法對(duì)粗選擇后的特征進(jìn)行融合，有效減少算法復(fù)雜度。模糊理論統(tǒng)的集合理論中，集合元素非此即彼，即某一元素要么屬于一個(gè)集個(gè)集合。而在模糊理論[33]（FuzzyTheory, FT）中則是通過(guò)隸屬度表于集合的程度，該值越大，則元素隸屬于集合的程度則越大。需要值在[0,1]的區(qū)間內(nèi)。一元素x的隸屬度通常由隸屬函數(shù)μ(x)將屬于模糊集XF的每個(gè)元素到，具體如式（3-1）所示：μ(x): XF→[0,1] 實(shí)際應(yīng)用中，，一般通過(guò)隸屬度函數(shù)法來(lái)計(jì)算得到隸屬值。需要指出
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TN948.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 薛一哲;王拓;;基于代價(jià)敏感Adaboost目標(biāo)跟蹤[J];中國(guó)圖象圖形學(xué)報(bào);2016年05期

2 胡昭華;徐玉偉;趙孝磊;何軍;周游;;基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤[J];應(yīng)用科學(xué)學(xué)報(bào);2015年05期

3 劉威;段成偉;遇冰;柴麗穎;袁淮;趙宏;;基于后驗(yàn)HOG特征的多姿態(tài)行人檢測(cè)[J];電子學(xué)報(bào);2015年02期

4 張煥龍;胡士強(qiáng);楊國(guó)勝;;基于外觀模型學(xué)習(xí)的視頻目標(biāo)跟蹤方法綜述[J];計(jì)算機(jī)研究與發(fā)展;2015年01期

5 黃凱奇;陳曉棠;康運(yùn)鋒;譚鐵牛;;智能視頻監(jiān)控技術(shù)綜述[J];計(jì)算機(jī)學(xué)報(bào);2015年06期

6 郭明瑋;趙宇宙;項(xiàng)俊平;張陳斌;陳宗海;;基于支持向量機(jī)的目標(biāo)檢測(cè)算法綜述[J];控制與決策;2014年02期

7 謝維信;陳曾平;裴繼紅;黃建軍;馮紀(jì)強(qiáng);;大數(shù)據(jù)背景下的信號(hào)處理[J];中國(guó)科學(xué):信息科學(xué);2013年12期

8 方菊芹;陳帆;和紅杰;尹忠科;;結(jié)合局部分類水平集與顏色特征的遙感影像陰影檢測(cè)[J];自動(dòng)化學(xué)報(bào);2014年06期

9 呂卓紋;王科俊;李宏宇;閻濤;;融合Camshift的在線Adaboost目標(biāo)跟蹤算法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S2期

10 黎瑩;戴芳;郝勇;左濤;;基于最小生成樹的圖像分割[J];計(jì)算機(jī)工程與應(yīng)用;2013年13期

本文編號(hào)：2534979