智能监控中的行人长时跟踪方法研究
发布时间：2021-02-28 23:46
近年来,随着科技的飞跃式进步,以及人民的生活水平的不断提高,人们对公众安全防范的需求也在不断地增长。我国在“智慧城市”、“平安城市”等主题提出后,视频监控设备陆续遍布公共场合的各个角落,视频监控系统已经成为社会公共区域安全监测平台的核心部分。基于计算机视觉的目标检测、跟踪、识别是智能监控系统的关键技术,也是当下国内外学术和工程的研究热点。行人检测与跟踪技术是智能监控领域中关键问题之一,它对视野中的行人进行检测和跟踪,获取行为轨迹信息,是对监测目标的行为进行自动分析和理解的前提。在实际应用场景中,目前的跟踪技术还存在诸多挑战,如光照强度的变化、目标移动过快、形变严重、出现遮挡等因素都容易导致目标丢失。跟踪目标轨迹的准确完整记录,对跟踪系统的鲁棒性和实时性提出了较高的要求。本文针对特定行人目标的长时跟踪问题,提出了一个基于目标跟踪丢失后的重检测和再识别的机制,实现一个对高鲁棒实时的行人长时跟踪方法。本文的主要工作内容包括以下几个方面:（1）研究了基于计算机视觉的行人跟踪方法,为了能够同时保证跟踪准确度与实时性,利用了一个端到端的离线深度学习模型用于在线跟踪的方案并对其进行了算法改进。经实验...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
卷积神经网络卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种特殊类型的前馈神经网
先用传统方法提取目标的候选区域，然后对每个候选区域进行以深度学习方类的方案进行类别判断，如：RCNN、Fast-RCNN、Faster-RCNN、SPP-net、R-方法。这一部分介绍 R Girshick[26]提出的以 RCNN 为代表的区域生成方法和 C络相结合的目标检测框架。 RCNN 到 Faster-Rcnnrshick 从 RCNN 开始将深度学习引入到目标检测领域中，然后陆续经过多次改出 Faster- RCNN 方法，将所有步骤都统一在深度学习网络中，并且可以在 计算，大大提高了计算速度和检测精度。RCNNNN 方法中包含三部分，首先使用 selective search 算法从图片中生成 2000 然后将这 2000 个候选区域进行尺寸归一化后输入到卷积神经网络中进行特后将这些候选区域的特征用 SVM 分类器进行分类，并且使用回归器精细修置。
：使用一系列特定类别的线性 SVM 分类器。针对每一个类别分别器进行判别。输入到 SVM 里面的特征是卷积网络输出的 4096 维：类器检测的结果，往往忽略了候选框对准的精确性，使得跟目标需要一个位置精修步骤。针对每一类目标，使用线性脊回归器进-net 是在 RCNN 方法的基础上去掉了对原始图像上的 crop 或 warp 等积输出的特征图上处理的空间金字塔池化层[27]（Spatial Pyramidet 对比较耗时的卷积操作只进行一次，然后对卷积层的输出特征图选区域池化为一个固定长度的特征，提升了 RCNN 检测的速度
【参考文献】：
期刊论文
[1]目标跟踪方法综述[J]. 邵文坤,黄爱民,韦庆. 影像技术. 2006(01)
博士论文
[1]基于聚类的图像分割算法研究[D]. 李艳灵.华中科技大学 2009
硕士论文
[1]基于深度学习的行人流量统计算法研究[D]. 张天琦.哈尔滨工业大学 2017
本文编号：3056628
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
卷积神经网络卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种特殊类型的前馈神经网
先用传统方法提取目标的候选区域，然后对每个候选区域进行以深度学习方类的方案进行类别判断，如：RCNN、Fast-RCNN、Faster-RCNN、SPP-net、R-方法。这一部分介绍 R Girshick[26]提出的以 RCNN 为代表的区域生成方法和 C络相结合的目标检测框架。 RCNN 到 Faster-Rcnnrshick 从 RCNN 开始将深度学习引入到目标检测领域中，然后陆续经过多次改出 Faster- RCNN 方法，将所有步骤都统一在深度学习网络中，并且可以在 计算，大大提高了计算速度和检测精度。RCNNNN 方法中包含三部分，首先使用 selective search 算法从图片中生成 2000 然后将这 2000 个候选区域进行尺寸归一化后输入到卷积神经网络中进行特后将这些候选区域的特征用 SVM 分类器进行分类，并且使用回归器精细修置。
：使用一系列特定类别的线性 SVM 分类器。针对每一个类别分别器进行判别。输入到 SVM 里面的特征是卷积网络输出的 4096 维：类器检测的结果，往往忽略了候选框对准的精确性，使得跟目标需要一个位置精修步骤。针对每一类目标，使用线性脊回归器进-net 是在 RCNN 方法的基础上去掉了对原始图像上的 crop 或 warp 等积输出的特征图上处理的空间金字塔池化层[27]（Spatial Pyramidet 对比较耗时的卷积操作只进行一次，然后对卷积层的输出特征图选区域池化为一个固定长度的特征，提升了 RCNN 检测的速度
【参考文献】：
期刊论文
[1]目标跟踪方法综述[J]. 邵文坤,黄爱民,韦庆. 影像技术. 2006(01)
博士论文
[1]基于聚类的图像分割算法研究[D]. 李艳灵.华中科技大学 2009
硕士论文
[1]基于深度学习的行人流量统计算法研究[D]. 张天琦.哈尔滨工业大学 2017
本文编号：3056628
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3056628.html
