跨摄像机行人跟踪方法研究与实现

发布时间：2020-07-14 10:39

【摘要】：利用视频追踪行人的运动轨迹,在公共安全领域已经得到广泛应用。但是,行人的活动范围往往跨越多个摄像机视野,同时在视频中表现出运动自由度高、易受环境影响等特点,现有的跨摄像机行人自适应跟踪方法难以满足实际应用需求。因此,跨摄像机行人跟踪成为当前的研究热点。本文主要研究跨摄像机行人跟踪方法,包括行人检测、运动目标跟踪和行人再识别等部分,同时设计并实现了跨摄像机行人跟踪软件。具体工作如下:在行人检测方面,实现了基于HOG特征的行人检测方法与基于Faster R-CNN的行人检测方法,并使用Caltech数据集对这两种方法进行评测,从特征提取效率、行人检测效率与准确性等方面进行对比分析。实验结果表明,前者在运算效率尤其是特征提取效率方面占优,而后者在准确性上表现更佳。在运动目标跟踪方面,提出了一种改进的ECO跟踪方法。该方法针对ECO跟踪方法在目标旋转、发生遮挡等场景下易出现跟踪框漂移的问题,提出了一种跟踪效果在线评估方法,并基于评估优化了滤波器的更新策略。首先,基于高效卷积操作融合HOG特征与多通道颜色特征,并对特征矩阵进行降维处理;然后,将特征矩阵送入滤波器进行相关运算,搜索相关性最大的区域,定位运动目标;最后,基于相关响应分布评估当前帧的跟踪效果,并根据评估结果监督相关滤波器的更新。在OTB-50和OTB-100数据集上的对比实验表明,该方法的跟踪准确率分别达到88.4%和84.7%,成功率分别达到84.1%和77.8%,在强光、遮挡、旋转等多种场景下性能均有提升,鲁棒性较好。在行人再识别方面,提出了一种基于角度匹配与部件分割的行人再识别方法。该方法针对传统基于部件的行人再识别方法角度适应性较差的问题,在人体部件分割与特征融合环节进行了优化。首先,使用卷积神经网络实现人体关键点提取、部件分割与角度分析;然后,基于人体角度将查询样本与候选图像进行匹配,在不同的匹配关系下分别训练特征融合网络;最后,使用三元组损失函数进行度量学习,得到适用于行人再识别的网络模型。在Market-1501数据集上的对比实验表明,该方法的1选识别正确率(Rank-1)和平均精度(mAP)分别达到87.85%和70.62%,准确性较高。在软件设计与实现方面,通过分析软件功能需求,以Matlab2016为开发平台,使用Caffe作为深度学习框架,设计并实现了跨摄像机行人跟踪软件,软件具有行人检测、运动目标跟踪、行人再识别与跨摄像机行人连续跟踪等功能。
【学位授予单位】：中国人民公安大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;D918.2
【图文】：

组织结构图,组织结构图,行人

机下行人的检测与跟踪功能。1.3.2 结构安排本文共分为五章，其组织结构如图1.1 所示，论文各章节安排如下：图 1.1 本文组织结构图第一章，概述跨摄像机行人跟踪的研究背景与现实意义，介绍行人检测、运动目标跟踪与行人再识别的研究现状。

示意图,行人,基本环节,示意图

行人检测方法，需要经历训练与检测两个基本环节来实现行人检测——首先让算法从已有的数据集中“学会”什么是行人，即“训练环节”；然后让算法在新的图像中检索出行人，即“检测环节”，如图2.1 所示。图 2.1 行人检测的基本环节示意图在训练环节，算法通过训练分类器来获得对候选目标的判别能力。这一环节包含三个步骤：首先构建训练集。训练集由经过预处理的图像组成，包括正样本与负样本。正样本为已经裁剪好的单一行人目标，而负样本为包含行人部分身体或其他物体的图像。然后对图像进行特征提取。基于指定特征子，将训练集中的图像转换到预定的特征空间。

局部直方图,行人,检测方法,判别分类

由上述流程可知，基于人工特征的行人检测方法通常包括图像预处理、候选区域提取、特征提取、判别分类、结果输出等步骤，如图2.2 所示。图 2.2 基于人工特征的行人检测方法实现流程图2.1.1 HOG 特征HOG（Histogram of Oriented Gradient）特征又称方向梯度直方图特征，于 2005 年由Dalal 等人提出，旨在实现对人体外观与形态的更好表达。HOG 特征的本质为在密集网格上描述图像梯度方向的局部直方图。图像中HOG 特征的提取可分为以下五个步骤，如图2.3 所示。

【相似文献】