滯留物檢測和識別是計算機視覺領域的重要研究課題之一,在公共場所和人群密集地區(qū),未被檢測到的滯留物可能會威脅到行人的生命財產安全,因此需要對于視頻進行智能監(jiān)控和自動識別。在現(xiàn)實生活中,當一個場景中出現(xiàn)滯留物,能夠快速檢測出并識別,能夠進行有效預警,對于城市管理和安全有巨大作用。背景復雜性、光照變化、低質量圖像和遮擋等場景復雜問題,使得滯留物檢測和識別非常具有挑戰(zhàn)性。同時,滯留物檢測缺乏對于其擁有者的關聯(lián)性分析,并且在低質量圖像和視頻情況下的物品分類,沒有良好的解決方法。因此,本文在傳統(tǒng)方法和深度學習方法的基礎上,提出了多個滯留物檢測和識別的算法,并且通過對滯留物的分析,可以檢測到相關行人的異常行為,主要工作如下:(1)針對滯留物及其與行人之間關聯(lián)性,利用目標追蹤算法,提出了一種基于連通區(qū)域信息的算法�，F(xiàn)有的相關滯留物算法只是關注滯留物本身,缺乏對其關聯(lián)性的行人進行分析,無法獲取到滯留物的所有者,并且對于滯留物缺乏類別分析。因此我們的算法利用改進的相關濾波算法進行行人追蹤、同時利用多重方向背景模型進行行人和靜態(tài)目標檢測,利用追蹤行人和物品分離時刻的連通區(qū)域進行滯留物檢測。與此同時,利用主成... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數(shù)】：104 頁

【學位級別】：博士

【部分圖文】：

圖２．１滯留物檢測的常用框架??

?第３章基于目標追蹤的滯留物檢測???；濾波器??第幀采樣?肝了?定位??Ｗ－…一ｎＦ－??Ｓｆｅｉ：ＷＫｉ?ｍｔｉ＾＂?＾?ＷＭ?ｉｆｃ＾．：，’、＇麗Ｉ??｜?ＦＦＴ１????＊????濁汲器？??：ｉ＊；ｎ?＇ｉ?ｔ?？ｆ?［＾－ＩＦＦＴ—▼?？－ＦＦＴ—?Ｉ?＋?；■??▼??ｉ＋ｉ幀采杼?ｍ—？??ｕｕ——？；?響化閣????？?ｍ＆??圖３．１相關濾波器的追蹤算法流程??信號處理中，描述兩個因素之間的關系的概念被稱為相關性（ｃｏｒｒｅｌａｔｉｏｎ），??假設有兩個信號／和義其相關性為：??廠一?ＯＯ??（ｆ?０?ｇ）⑴＝?ｆ＼ｔ）ｇ（ｔ?＋?Ｔ）ｄｔ?（３．１）??ｊ?ＯＯ??００??（／?＜８）＾）（ｎ）?＝?＾ｆ＊［ｍ］ｇ（＜ｍ?＋?ｎ）?（３．２）??—００??其中ｒ表示／的復共軛，相關性指的是兩個函數(shù)在某個時刻的相似程度，??利用在跟隨上的想法就是：兩個信號越相似，其相關值越高。在跟蹤方面，就??是尋找到與目標響應最大的項。??根據(jù)以上思路，需要找到一個相關濾波器，能夠獲取輸出響應，然后使其??在目標上的響應最大，也就是期望跟蹤目標的中心點。??Ｇ?＝?Ｆ〇Ｈ＊?（３．３）??其中Ｆ輸入圖像，Ｇ為最大響應位置，／Ｔ則是我們期望得到的濾波器。為??了提高整體的計算效率，使用快速傅里葉變換把相關操作在頻域中計算。Ｆ是／??的傅里葉變換啦５１？０１１１＾１＇１以１１５｛＇〇１＂１１１，？？丁）。〇表不對應元素相乘。在整個計算??２７??

?第３章基于目標追蹤的滯留物檢測???其中，是追蹤區(qū)域，／？２是非追蹤區(qū)域。然后利用卡爾曼濾波器消除跟蹤??過程中產生的噪聲，提高目標跟蹤的精度。根據(jù)與７；的重疊部分，我們可以??確定５？是否屬于ＡＴ。通過比較目標清單Ｌ中己經存在的ＺＶ７；和物體質心之間的??歐氏距離，我們可以判斷７Ｖ７；是否是新出現(xiàn)的。然后，Ｗ７；作為對象存儲在項目??列表Ｌ中。??一般情況下，我們根據(jù)對象的靜止時間來分析其相關性并判斷其是否為滯??留目標。因此，該算法在應用于大規(guī)模的自動視頻監(jiān)控系統(tǒng)時，能夠快速地進??行滯留目標檢測和相關性分析，并能快速地處理每個實時視頻流。??３．３基于主成分分析的滯留物識別??本章將幾何仿射不變矩與主成分分析相結合，實現(xiàn)了對遺留目標的識別。??我們的算法框架如下。??＿魏＿???ＯＭ?ａ??：＾ｍ??痤??ｍｉ??ｄｈ??□■國?ＥＨＨ?１?，??￣幾何仿射不變矩￣ｈ??■顯霾圓〇鬯圓????圖３．２滯留物識別流程示意圖??首先，存儲視頻中滯留目標檢測結果區(qū)域的屏幕截圖。然后構造幾何仿射??不變矩。由于滯留目標識別算法結合了兩種方法的特點，該算法可以解決實際??視頻中滯留目標相對于訓練樣本圖像中的項目（對象的前視圖和側視圖）的視??角變化問題，如旋轉、平移、縮放和傾斜。然后，利用主成分分析法對其不變??３６??

【參考文獻】：
期刊論文
[1]基于深度融合的顯著性目標檢測算法[J]. 張冬明,靳國慶,代鋒,袁慶升,包秀國,張勇東.  計算機學報. 2019(09)
[2]改進的SSD航拍目標檢測方法[J]. 裴偉,許晏銘,朱永英,王鵬乾,魯明羽,李飛.  軟件學報. 2019(03)
[3]面向小目標的多尺度Faster-RCNN檢測算法[J]. 黃繼鵬,史穎歡,高陽.  計算機研究與發(fā)展. 2019(02)



本文編號：2940120