本文關鍵詞：基于視頻的目標跟蹤及人群密度估計方法研究，由筆耕文化傳播整理發(fā)布。

網(wǎng)友Alphago近日為您收集整理了關于學位論文—基于視頻的目標跟蹤及人群密度估計方法研究的文檔，，希望對您的工作和學習有所幫助。以下是文檔介紹：—1—上海交通大學2012級碩士學位論文開題報告登記表學號姓名導師李建勛學科控制科學與工程學院(系、所)電子信息與電氣工程學院學位論文題目穩(wěn)健對地目標跟蹤方法研究研究課題來源國家自然科學基金、航天創(chuàng)新基金、中航613橫向項目課題的意義以及研究的主要內(nèi)容運動目標跟蹤是視覺圖像處理中的一個非常熱門的話題,在多個領域有著廣泛的應用。運動目標跟蹤的應用領域和環(huán)境主要有:對大型公共場所進行智能化視頻監(jiān)控、基于視頻的人機交互、交通流量監(jiān)測、醫(yī)療診斷等。本文從計算機視覺角度研究對地目標跟蹤方法。由于視覺跟蹤系統(tǒng)能在比較復雜的背景下,提取與分離市場內(nèi)的目標、確定目標位置、估計目標運動趨勢、實現(xiàn)對目標的實時跟蹤,且具有跟蹤精度高、跟蹤狀態(tài)平穩(wěn)、抗干擾能力強、分辨率高和成本低等特點,在軍事上很受重視。在民用領域,對地目標跟蹤也有著廣泛的應用:對大型公共場所進行智能化視頻監(jiān)控。例如在機場、商場、地鐵站等場所進行智能化監(jiān)控,其主要目的都是為了保障公眾財產(chǎn)和信息安全。在人群監(jiān)測、交通管理上實現(xiàn)智能化有非比尋常的意義。以以上應用為背景,本文的對地目標跟蹤技術包含以下幾個主要技術模塊:單目標跟蹤技術、多目標跟蹤技術、密集目標跟蹤技術。分出這幾個模塊是為了應對不同的應用場景,或是在同一場景需要各模塊的協(xié)同合作。例如地鐵站的人群流量具有明顯時段特征,早晚上下班高峰人流極大,而其他時段人流量明顯減少,這就需要對不同時段采用不同的跟蹤方法以達到最好的效果。在上下班高峰期,采用密集目標跟蹤技術,而在其他時段,采用多目標跟蹤技術,而在有特殊需要的時候,例如跟蹤特定犯罪嫌疑人時,可采用單目標跟蹤技術。本文研究的主要內(nèi)容具體有:①粒子濾波基本方法研究,這是單目標跟蹤方法的框架。在圖像跟蹤應用中,目標狀態(tài)的后驗概率分布往往是非線性非高斯多模態(tài)的,粒子濾波方法對于系統(tǒng)模型沒有特殊要求,且能夠保持狀態(tài)的多模態(tài)分布,在跟蹤領域得到了很大的發(fā)展。但常規(guī)粒子濾波跟蹤算法存在計算量大、采樣效率低等問題。②粒子群最優(yōu)化思想研究,改進常規(guī)粒子濾波采樣效率低的問題,提高采樣效率。針對常規(guī)粒子濾波跟蹤算法存在計算量大、采樣效率低等問題,引入粒子群優(yōu)化思想對目標狀態(tài)后驗分布進行最優(yōu)搜索,找到后驗分布的高似然區(qū),并依據(jù)此高似然區(qū)來進行重采樣。③變結構多模型的設計,以更好的表征目標的運動模型。幾乎所有的方法對目標的運動狀態(tài)都假定為平滑的,或者將運動限制在恒速或恒加速運動狀態(tài)。而實際情況并非如此,例如機動目標的運動狀態(tài)就很難用單一模型來表征。本文引入變結構多模型方法為目標建立變結構多運動模型。變結構多模型方法能夠很好的表征目標的運動模型卻又不增加過多的計算量,因此相比單一運動模型能夠更好的估計目標的運動�！�2—④將先驗信息模型引入目標跟蹤系統(tǒng),以得到更精確的跟蹤效果。包括在某些場景下,先驗信息是可知的,這些信息可用來指導粒子先驗分布以獲得更精確的后驗分布,而地理位置信息模型則是最常用也是最易獲取的信息。地理位置模型包含了跟蹤場景里道路分布、建筑分布等信息,對目標的運動起到很好的約束作用,能夠提高目標跟蹤的精確度。⑤結合在線學習與粒子濾波,以穩(wěn)健的跟蹤目標。針對粒子濾波跟蹤丟失目標后難恢復的問題,提出一種基于粒子濾波結合在線學習的穩(wěn)健跟蹤方法,使用粒子濾波有效的跟蹤結果作為正訓練樣本不斷更新樣本庫,以跟蹤被遮擋和消失后再出現(xiàn)的目標。⑤JPDA方法及MHT方法研究,以解決多目標之間可能產(chǎn)生的“錯標識”問題。多目標跟蹤的主要問題在于處理多目標聯(lián)合狀態(tài)估計,又由于多數(shù)多目標跟蹤情況均是非線性非高斯的多維的狀態(tài)估計問題,在這種情況下,數(shù)據(jù)關聯(lián)算法至關重要。所謂數(shù)據(jù)關聯(lián)就是將未標記的目標觀測與對應目標的狀態(tài)進行關聯(lián)。比較成熟的數(shù)據(jù)關聯(lián)算法有JPDA方法及MHT方法。然而兩者的計算復雜度過大,特別是在視覺跟蹤本身的大數(shù)據(jù)量情況下難以實際應用。本文擬通過挖掘多目標間約束模型來簡化JPDA或MHT的計算以使其能夠實際應用。⑥密集目標的運動估計。在一幅幅復雜的密集目標圖像中,如果依靠每個目標的個體信息來估計總體的運動,則必須要分離出每個個體的運動,然而這在密度大的情況下是不現(xiàn)實的,特別是當個體之間相互遮擋時這就變得更加困難。本文擬從總體運動趨勢入手,不借助于單獨個體的信息,而是通過統(tǒng)計視頻中宏塊的運動矢量來進行總體運動估計。⑦對本文提出的單目標跟蹤算法、多目標算法、密集目標跟蹤算法分別從跟蹤準確性、跟蹤成功率等各方面對各算法的有效性、穩(wěn)健性進行評估。課題的工作方案以實際應用為背景,為解決對地目標的跟蹤監(jiān)控問題,本文的工作方案為:一、研究單目標跟蹤算法,以滿足特殊情況下需要,例如跟蹤特定嫌疑人等。本文擬在粒子濾波框架下,用粒子群優(yōu)化思想提高采樣效率,用變結構多模型來對目標復雜的運動建模,結合在線學習來克服粒子濾波跟蹤丟失目標后難恢復的問題。二、研究多目標跟蹤算法,在目標密度較小的情況下進行多目標跟蹤。本文擬在MHT框架下研究出能夠實際應用于視覺跟蹤系統(tǒng)的簡易多目標跟蹤方法。三、研究密集型目標群跟蹤算法,在目標密度較大情況下進行密集型目標群跟蹤。拋棄借助單獨個體的運動信息來進行總體運動估計的方法,通過統(tǒng)計視頻中宏塊的運動矢量進行總體運動估計。四、實現(xiàn)對地目標跟蹤軟件系統(tǒng)。注:內(nèi)容填不下時可自行加頁�！�3—課題準研備究如有何無解困決難一、單目標的跟蹤方法近年來各種跟蹤方法層出不窮,主流算法主要有粒子濾波方法、mean-shift方法、tracking-by-detection等方法。但幾乎所有的方法對目標的運動狀態(tài)都假定為平滑的,或者將運動限制在恒速或恒加速運動狀態(tài)。而實際情況并非如此,例如機動目標的運動狀態(tài)就很難用單一模型來表征。本文引入變結構多模型方法,結合粒子濾波方法進行視覺目標跟蹤。變結構多模型方法能夠很好的表征目標的運動模型,因此相比單一運動模型能夠更好的估計目標的運動。二、多目標的跟蹤方法主要在于解決目標發(fā)生重疊時的標識問題。常用并比較成熟的方法有JPDA算法和MHT算法。由于JPDA算法的復雜度與目標個數(shù)的階乘成正比,為了降低計算量許多文獻討論了次優(yōu)JPDA快速算法。而理論的MHT算法同樣存在計算復雜度過高難以實際應用的問題,不少文獻同樣討論了簡約MHT算法。本文擬挖掘多目標之間的運動關聯(lián)性約束以提高JPDA或MHT算法的效率。計劃進度2014.4—2014.5單目標跟蹤算法研究及軟件實現(xiàn)2014.6—2014.7多目標跟蹤算法研究及軟件實現(xiàn)2014.8—2014.10密集目標跟蹤算法研究及軟件實現(xiàn)2014.11—2015.1整體軟件整合及論文撰寫導師意見簽名:年月日學科審批意見開題報告時間:參加人數(shù):教師人,研究生人。審查結果:□同意□不同意簽名:年月日備注—4——5—

1

  本文關鍵詞：基于視頻的目標跟蹤及人群密度估計方法研究，由筆耕文化傳播整理發(fā)布。