复杂场景下基于检测的数据关联多目标跟踪方法研究

发布时间：2022-12-04 06:26

　　随着社会文明和科学技术的不断进步,人们对视频设备的智能化需求日益增长,使得计算机视觉技术备受关注。作为计算机视觉技术的重要组成部分,多目标跟踪已经成为机器视觉和人工智能领域的研究热点。目前,多目标跟踪技术的研究虽然已经取得突破性的进展,但是复杂场景下的多目标跟踪仍然面临诸多挑战:（1）由于受背景噪声等情况的干扰,视频序列中的运动目标检测可靠性较低,将这些检测目标作为跟踪目标候选区域时,容易发生目标跟丢和漂移等现象;（2）视野中存在频繁遮挡、相似目标、目标形变等复杂场景,增加了多目标跟踪器发生身份误切换等错误的概率;（3）多目标跟踪场景通常目标数目是可变的,跟踪器需要根据检测结果自动地初始化新目标,然而检测误差严重影响目标初始化准确度。针对以上几种挑战,本文研究基于检测的数据关联多目标跟踪方法,主要内容及创新点归纳如下:1.针对传统光流法运动目标检测容易受到噪声干扰的问题,构建一种权重系数自适应光流法运动目标检测框架,避免人工设置权重系数所造成的光流场误差。提出基于两层模糊C均值（Fuzzy C-Means,FCM）聚类算法的权重系数自适应寻优策略,克服了Horn-Schunck光流法不... 

【文章页数】：145 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
缩略语注释表
第一章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究进展
        1.2.1 基于滤波技术的多目标跟踪方法
        1.2.2 基于检测的数据关联多目标跟踪方法
    1.3 多目标跟踪公开数据库
    1.4 多目标跟踪的技术难点
    1.5 本文主要研究内容
    1.6 章节安排
第二章 权重系数自适应光流法运动目标检测
    2.1 前言
    2.2 基于光流法的运动目标检测
        2.2.1 光流估计算法
        2.2.2 基于Horn-Schunck光流法的运动目标检测
    2.3 权重系数自适应光流法运动目标检测
        2.3.1 权重系数的重要性
        2.3.2 自适应选取权重系数的原理
        2.3.3 算法实现
    2.4 实验结果和分析
    2.5 本章小结
第三章 基于时空特征融合的多目标跟踪方法
    3.1 前言
    3.2 时空特征的定义
    3.3 基于加速度特征的时空特征融合多目标跟踪
        3.3.1 加速度特征
        3.3.2 融合加速度特征的时空特征模型
        3.3.3 算法实现
        3.3.4 实验结果和分析
    3.4 基于时空渐进特征模型的抗遮挡多目标跟踪
        3.4.1 遮挡推理
        3.4.2 时空渐进特征模型
        3.4.3 算法实现
        3.4.4 实验结果和分析
    3.5 本章小结
第四章 基于主块和时空特征模型的分级数据关联多目标跟踪方法
    4.1 前言
    4.2 主块和时空特征模型
        4.2.1 主块特征模型
        4.2.2 时空特征模型
    4.3 分级数据关联
        4.3.1 分级数据关联准则
        4.3.2 基于主块特征模型的目标局部区域数据关联
        4.3.3 基于时空特征模型的目标全局区域数据关联
    4.4 多目标跟踪方法实现
    4.5 实验结果和分析
    4.6 本章小结
第五章 带有目标初始化滤波器的深度时空特征融合多目标跟踪方法
    5.1 前言
    5.2 目标初始化滤波器
        5.2.1 候选新目标提取
        5.2.2 基于Gaussian映射的目标重叠率估计
        5.2.3 目标初始化滤波算法实现
    5.3 深度时空特征模型
        5.3.1 基于PCANet的深度卷积神经网络
        5.3.2 深度时空特征模型构建
    5.4 多目标跟踪方法实现
    5.5 实验结果和分析
    5.6 本章小结
第六章 结论与展望
    6.1 全文总结
    6.2 研究展望
参考文献
致谢
攻读博士学位期间的研究成果及参与的科研项目
学位论文评阅及答辩情况表



本文编号：3707760