目標檢測與跟蹤一直是計算機視覺領域研究的重心,在無人駕駛、視頻監(jiān)控等領域應用廣泛。由于視頻中光照的變化、目標的陰影、目標之間的遮擋、目標的消失與新生等因素,讓目標檢測與跟蹤成為具有挑戰(zhàn)性的研究課題。本文圍繞偏正態(tài)混合模型（Skew Normal Mixed Model SNMM）目標檢測和馬爾可夫決策過程（Markov Decision Process MDP）多目標跟蹤進行研究,具體的工作如下:（1）提出了一種改進的SNMM,用以解決目標檢測中光照變化導致檢測失敗的問題。SNMM中的位置參數(shù)和偏度參數(shù)可以很好地反映視頻光照的變化�；诖�,建立了含有位置參數(shù)和形狀參數(shù)的光照變化檢測準則。當檢測到光照變化時,對視頻幀進行背景差分法處理,以提高目標檢測的準確率。與高斯混合模型（GMM）、SNMM和背景差分法相比,改進的SNMM目標檢測算法的性能評價最高。（2）基于MDP的視頻多目標跟蹤模型分為4個狀態(tài),分別為活動、跟蹤、丟失、非活動。狀態(tài)間的轉(zhuǎn)移策略的優(yōu)劣決定了目標跟蹤的質(zhì)量和速度。為了提高目標跟蹤的速度,在活動和丟失狀態(tài)間提出了一種快速匹配策略的MDP（Fast_MD... 

【文章來源】：西安理工大學陜西省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

“highwayII_raw”視頻中部分幀的檢測結果

第2章基于背景建模的目標檢測算法17為了更好的觀察本章改進算法的性能，利用識別率R和誤檢率NP進行改進算法和原算法在光線變化前后的情況比較。=TPRTPFN，=FPNPTPFP（2.36）其中TP是檢測正確的運動目標數(shù)量，F(xiàn)N是沒有檢測到的運動目標數(shù)量，即運動目標被識別為背景的數(shù)量，F(xiàn)P是背景點錯誤被檢測為運動目標數(shù)量。結果由圖2-4來表示，圖2-4目標檢測算法的性能評估圖Fig.2-4PerformanceEvaluationChartoftheTargetDetectionAlgorithm圖2-4中左邊8列是viptraffic”視頻的性能指標，中間8列是“atrium”視頻的性能指標，右邊8列在highwayII_raw”性能指標。通過圖2-4我們很明顯可以看出，改進的SNMM檢測算法的識別率高于其他算法的，誤檢率明顯低于其他的算法，說明本章算法能很好的應對光照引起的灰度不均勻的目標檢測。2.5本章小結本章首先介紹簡要背景差分法的算法原理和算法步驟，介紹基于GMM的目標檢測算法，并詳細介紹了該目標檢測算法中模型的參數(shù)更新。由于像素的歷史灰度值序列并不是嚴格的服從高斯分布，引入基于SNMM進行目標檢測。本章針對劇烈的光照變化引起視頻目標檢測失敗的現(xiàn)象，提出了一種改進的SNMM的目標檢測算法，成功解決了該問題。實驗結果表明，改進后的目標檢測算法具有一定的魯棒性。

第3章基于MDP的視頻多目標跟蹤算法193基于MDP的視頻多目標跟蹤算法第2章介紹了目標檢測中的背景建模方法，本章在目標檢測的基礎上，將目標在視頻中的運動過程看作為一個MDP。此時目標有四個狀態(tài)分別是活動、不活動、跟蹤和丟失，狀態(tài)間有七個動作。研究在目標狀態(tài)下執(zhí)行動作的策略，從而實現(xiàn)多目標跟蹤。針對基于MDP跟蹤速度慢的問題，提出一個基于目標個數(shù)變化來決定目標的狀態(tài)的策略，也即Fast_MDP跟蹤算法。3.1MDPMDP最基本的模型是一個四元組(,,,)fSATR[24]狀態(tài)集合S：問題一切可能狀態(tài)的集合；行動集合A：問題一切可能行動的集合；狀態(tài)轉(zhuǎn)移函數(shù)：T:SAS[0,1]，例如T(s,a,s)表示在一個狀態(tài)s，執(zhí)行一個動作a，而轉(zhuǎn)移到下一個狀態(tài)s的概率;回報函數(shù)：:fRSAR，例如(,)fRsa表示在狀態(tài)s執(zhí)行一個動作a在短時間內(nèi)能得到的立即回報。本文在沒有特殊說明的情況只討論離散參數(shù)的情況，如時間、狀態(tài)及行動的參數(shù)。在某個狀態(tài)s下會將執(zhí)行一個動作a轉(zhuǎn)移到一個確定的狀態(tài)，狀態(tài)轉(zhuǎn)移函數(shù)如下：:saTSAS。給出MDP的一個實例，圖3-1顯示了動作和狀態(tài)間概率轉(zhuǎn)移的過程。當狀態(tài)是1s執(zhí)行某一動作有0.3的概率轉(zhuǎn)移到狀態(tài)6s；狀態(tài)4s執(zhí)行某一動作，一定可以轉(zhuǎn)移到狀態(tài)3s，像這樣的動作就是特定的。圖3-1給定行動的狀態(tài)間概率轉(zhuǎn)移圖Fig.3-1ProbabilityTransitionDiagrambetweenStatesforaGivenAction策略[24]是從狀態(tài)集合到動作集合的映射，即:SA，則在狀態(tài)s下執(zhí)行動作a可記作(s)。在圖3-1中狀態(tài)1s在策略1(s)下，執(zhí)行某一動作a，才能轉(zhuǎn)移到狀態(tài)6s。值函數(shù)[24]：采用策略時在狀態(tài)s的期望回報。即：V:SR。計算公式如公式（3.1）所示：1s2s0.20.30.60.80.46s3s0.51.00.55s4s1.0

【參考文獻】：
期刊論文
[1]一種抗遮擋尺度自適應核相關濾波器跟蹤算法[J]. 居超,黃影平,胡興.  上海理工大學學報. 2018(05)
[2]基于高斯膚色模型與Blob算法的人臉檢測[J]. 李嵐,張云.  咸陽師范學院學報. 2018(04)
[3]路網(wǎng)空間下基于馬爾可夫決策過程的異常車輛軌跡檢測算法[J]. 毛江云,吳昊,孫未未.  計算機學報. 2018(08)
[4]一種融合遮擋分割的多目標跟蹤算法[J]. 李健勇,徐連宇.  電訊技術. 2013(02)
[5]適應光照突變的運動目標檢測算法[J]. 李加佳,彭啟民.  計算機輔助設計與圖形學學報. 2012(11)
[6]基于背景建模與幀間差分的目標檢測改進算法[J]. 陳俊超,張俊豪,劉詩佳,陸小鋒.  計算機工程. 2011(S1)
[7]適應場景光照變化的運動目標檢測算法[J]. 李亞玲,徐榮青,聶桂軍,田俊青,姚曉宇.  計算機技術與發(fā)展. 2011(02)
[8]應用Mean Shift和分塊的抗遮擋跟蹤[J]. 顏佳,吳敏淵,陳淑珍,張青林.  光學精密工程. 2010(06)
[9]一種基于貪心搜索的實時多目標遮擋處理算法[J]. 楊濤,李靜,潘泉,張艷寧.  自動化學報. 2010(03)
[10]消除光照影響的背景減除算法[J]. 樊亞春,周明全,耿國華.  中國圖象圖形學報. 2009(07)

碩士論文
[1]基于馬爾可夫模型的行人運動建模與疏散研究[D]. 魏成杰.北京交通大學 2018



本文編號：2966552