智能交通场景中的多目标跟踪算法研究

发布时间：2020-12-21 22:57

　　多目标跟踪算法是图像和视频处理研究领域研究的重难点之一,是视频行为分析、场景理解、交通管理及安全防控等应用场景中的关键技术,在智慧零售、智能安防监控和无人驾驶汽车等领域有着广泛的应用。随着国家开始大力发展建设智慧城市和智能交通,公共交通监控视频的数据量大幅度提升,如何有效分析利用这些交通场景视频大数据以提取有价值的信息,进而辅助优化城市交通和提升公共安全有着重要的作用。由于智能交通场景的情况非常复杂,当下的多行人跟踪算法还很难在实际场景中得到应用,因此对行人跟踪的研究仍是非常具有应用价值的研究课题。本文研究了当前前沿的多目标跟踪算法,对多目标跟踪算法的基本问题和当下基于深度学习的多目标跟踪算法进行了研究分析,充分研究和借鉴了当下多目标跟踪算法的解决思路,在基于检测的跟踪框架下,设计了一种可以应用于复杂交通场景中的基于深度学习的多目标跟踪算法。论文的主要工作有:对多目标跟踪算法进行了深度的研究和分析;针对交通场景中的行人外观和大小易发生变化的特点,本文设计了一种基于度量学习的行人表观特征提取网络模型。基于该卷积神经网络模型可以得到行人更精确的表观特征,从而提升了行人跟踪算法的跟踪准确率。... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

均值偏移跟踪算法[1]

图 1-2 TLD 算法[2]图 1-2 是一种将检测和跟踪进行结合的目标跟踪算法，这种方法使用检测器将跟踪目标与跟踪目标以外的其他物体相互区别开来，其中检测器部分采用了离线训练和在线学习的方法将跟踪目标和背景进行区分。由于检测器可以在线的不断进行更新，所以这种方法可以适应复杂变化的跟踪环境，渐渐的基于检测的跟踪算法渐渐的成为了主流的算法。这种算法首先在视频的第一帧中的跟踪目标进行建模，在后面的视频帧中再不断地更新算法以适应跟踪物体和环境的变化。图 1-2 所示的方法主要有三个部分组成，其中的检测模块主要负责在一定的区域里对跟踪物体进行检测，跟踪模块使用传统的跟踪方法进行对物体的追踪，物体在后面帧中的位置的预测采用了基于光流的特征点统计的方法。跟踪模块和检测模块共同确定最后的跟踪位置

CSK密集采用[3]

【参考文献】：
期刊论文
[1]深度学习在视频目标跟踪中的应用进展与展望[J]. 管皓,薛向阳,安志勇.  自动化学报. 2016(06)
[2]基于Kalman预测和Mean-shift算法的视频目标跟踪[J]. 胡波,陈恳,徐建瑜,张云.  光电子.激光. 2009(11)



本文编号：2930659