基于属性与或文法的人体检测跟踪技术研究及应用

发布时间：2022-10-20 16:44

　　随着移动互联网和机器视觉技术的发展,动态人体检测跟踪技术成为研究热点,其面临着诸多技术挑战。例如:不同人体目标的服饰存在差异性;即使针对具体个体,由于人体运动的不确定性和人体姿态的多样性,其在不同时刻展现的形态也不尽相同;不确定因素（照明不良、目标遮挡、背景杂波、阴影、运动模糊等）会影响人体检测跟踪的结果,造成目前的人体检测跟踪算法难以满足监控系统实时、精确的要求。本文针对动态人体检测跟踪面临的上述挑战,基于人体形态特征对现有检测跟踪算法进行优化,开展了如下工作。（1）针对人体形态变化（如人体的非刚性变形、穿着服饰变化等）和目标遮挡等问题,通过引入属性与或文法A-AOG（Attribute And-Or Grammar）对人体形态部件、部件间的依赖关系和部件属性进行建模描述,为提取动态人体特征提供支持。（2）提出了一种基于A-AOG的人体检测算法。该算法由基于人体形态部件的区域建议网络HC-RPN（Human Components Region Proposal Network）、人体部件位置及属性预测网络A-PPN（Attribute and Position Predicte Ne... 

【文章页数】：93 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究现状
        1.3.1 人体形态建模与特征提取技术
        1.3.2 目标检测技术
        1.3.3 目标跟踪技术
    1.4 .研究内容
    1.5 .论文结构
第2章 基于A-AOG人体形态建模与特征提取
    2.1 基于属性与或文法的人体形态建模
        2.1.1 基于短语结构文法的人体形态部件建模
        2.1.2 基于依赖文法的人体部件间关系建模
        2.1.3 基于属性文法的人体部件属性建模
    2.2 人体部件特征提取
        2.2.1 特征提取流程
        2.2.2 人体部件置信度特征提取
        2.2.3 人体部件的位置特征提取
    2.3 人体部件的连接关系特征提取
        2.3.1 特征提取流程
        2.3.2 连接关系矢量特征提取
        2.3.3 连接关系置信度特征提取
        2.3.4 基于二分图的连接关系描述
    2.4 人体属性特征提取
        2.4.1 基于One-Hot编码的人体属性特征表示
        2.4.2 人体属性特征提取
    2.5 本章小结
第3章 基于A-AOG的人体检测算法
    3.1 人体检测算法检测流程
        3.1.1 HC-RPN人体区域建议网络
        3.1.2 A-PPN人体属性及位置预测网络
        3.1.3 HF-NMS非极大值抑制算法
    3.2 人体检测算法网络结构
        3.2.1 卷积神经网络概述
        3.2.2 基于残差单元的主干网络结构
        3.2.3 基于特征金字塔的HC-RPN结构
        3.2.4 基于inception模块的A-PPN结构
    3.3 人体检测算法训练
        3.3.1 神经网络优化算法概述
        3.3.2 人体检测算法损失函数
        3.3.3 检测算法训练过程
    3.4系统实验
        3.4.1 人体检测评价指标
        3.4.2 实验结果
    3.5 本章小结
第4章 基于A-AOG的人体跟踪技术
    4.1 人体跟踪框架
        4.1.1 人体跟踪框架运行流程
        4.1.2 多模态融合
        4.1.3 基于A-AOG的人体匹配算法
    4.2 基于卡尔曼滤波的跟踪算法
        4.2.1 卡尔曼滤波概述
        4.2.2 基于卡尔曼滤波的跟踪算法
    4.3 基于孪生网络的跟踪算法
        4.3.1 算法跟踪流程
        4.3.2 孪生网络结构
        4.3.3 损失函数与训练过程
    4.4系统实验
        4.4.1 人体跟踪算法评价指标
        4.4.2 实验结果
    4.5 本章小结
第5章 公交车乘客自动统计系统
    5.1 系统分析设计
        5.1.1 系统简介
        5.1.2 需求分析
        5.1.3 用例分析
        5.1.4 系统架构与接口设计
    5.2 系统实现
        5.2.1 系统环境搭建
        5.2.2 上下车人数统计的实现
    5.3 系统测试
        5.3.1 系统稳定性测试
        5.3.2 系统性能测试
        5.3.3 系统运行结果
    5.4 本章小结
结论
参考文献
攻读硕士学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]基于深度学习的目标检测算法研究进展[J]. 谢娟英,刘然.  陕西师范大学学报(自然科学版). 2019(05)
[2]基于卡尔曼预测粒子滤波的网球运动目标跟踪方法[J]. 付饶,管业鹏.  电子器件. 2019(04)
[3]基于孪生网络的视觉目标跟踪方法[J]. 孙振,李庆党,王璐,吴俊飞.  电子技术与软件工程. 2019(15)
[4]基于Dinkelbach和优化KM算法的系统最佳EE方案[J]. 吕文怡,曾宇,金彦亮.  工业控制计算机. 2019(07)
[5]视频运动目标跟踪算法研究综述[J]. 单明媚,王华通,郑浩岚,林彬.  物联网技术. 2019(07)
[6]压制干扰环境下目标跟踪的改进粒子滤波算法[J]. 卢春光,周中良,刘宏强,阮铖巍.  火力与指挥控制. 2019(06)
[7]基于改进匈牙利算法的非侵入式负荷匹配方法[J]. 魏恩伟,李伟华,张之涵,郑杰.  电测与仪表. 2019(22)
[8]加强智能计算系统创新,促进人工智能发展[J]. 孙丕恕.  中国人大. 2018(21)
[9]浅析人工智能对人类生活的影响[J]. 朱彦霖.  通讯世界. 2018(09)
[10]一种基于MeanShift算法的目标跟踪系统的设计与实现[J]. 沈豪,庄建军,郑茜颖,吴建耀.  电子测量技术. 2018(14)

硕士论文
[1]基于句法模式识别的中文关系抽取方法研究与实现[D]. 郝博.电子科技大学 2017
[2]基于深度学习和迁移学习的鲁棒多线索目标跟踪[D]. 潘胜男.华侨大学 2016



本文编号：3694918