视频监控中行人目标发现与跟踪研究

发布时间：2020-05-26 11:25

【摘要】：随着视频监控系统在数字化、网络化、智能化和集成化方向飞速发展,整个视频监控行业已经快速进入智能监控时代。智能视频监控中的行人目标发现与跟踪技术是目前非常热门的研究课题,有着重要的应用价值和研究意义。然而,自然条件下获取的监控视频,由于环境复杂多变,给行人目标检测跟踪带来诸多挑战。针对各种复杂监控场景,如何设计实现效率高、鲁棒性好、实时性强的行人目标检测跟踪方法仍然是当今业界研究的难点。论文在总结国内外研究成果的基础上,以监控领域非刚性的行人目标为主要研究对象,利用多特征协同学习对行人目标进行分析研究,拟实现多特征协同学习的目标检测跟踪,尤其是在提高复杂背景下行人检测与跟踪的精度方面,具有重要的理论意义和实践价值,论文的主要工作如下:(1)针对传统基于HOG特征与Ada Boost算法分类器在行人检测中存在检测速度慢、误差率大的问题,论文提出一种基于自编码神经网络与Ada Boost的快速行人检测算法。该算法首先利用基于聚合通道特征(ACF)模型的目标检测算法对图像进行预处理,获得疑似目标区域;然后对获取的子区域进行尺度归一化,提取HOG特征,并输入到自编码神经网络中进行深度编码降维;最后利用Ada Boost分类器进行分类检测,输出检测到的行人区域。仿真实验验证了算法的有效性。(2)在核相关目标跟踪算法(KCF)的基础上设计一种有效的多核相关协同学习模型的行人目标跟踪算法,该算法通过协同学习模型将HOG特征与Haar-like特征整合到一个框架中,解决了单一特征无法处理复杂背景与显著外观变化的问题,同时较大提升了行人目标跟踪的性能与稳定性。实验表明算法在重叠精度(OP)和跟踪中心位置误差(CLE)两个评价指标上有较大改进。(3)在众多基于学习的检测跟踪算法中,由于固定学习因子进行线性插值模型参数更新不能完全适应复杂背景与显著的外观变化,论文提出一种基于峰值旁瓣比的自适应更新策略。实验分析表明,本文提出的学习因子自适应更新目标跟踪算法在稳定性和定量指标上具有明显优势。
【图文】：

结构图,视频监控系统,结构图

伴随着信号处理技术和数字技术的成熟，视频监控系统在数字化、网络化、集成化方向飞速发展，整个视频监控行业已经快速进入智能监控时代。经过，监控行业已经积累了大量的数据资源，非常满足以大数据为基础的人工智型训练的要求[1]；同时，视频监控行业的事前预防、事中响应、事后追查的满足人工智能的算法和技术要求。因此，在智能芯片、异构模型、智能算法助推下，视频监控行业也从单一的安全领域向多行业应用、提升生产效率、智能化方向发展[2]。智能视频监控中的目标检测与跟踪技术是当今前沿的一个热门研究课题，有实际应用价值和研究意义。如图 1 所示，智能监控系统获取到视频数据后，图像预处理[3]，然后对图像特征进行分析，如目标检测[4]，目标跟踪[5]等，像内容进行分类、识别、决策。可以看出，目标检测和跟踪作为智能视频监技术，其算法的好坏直接影响着运动目标识别与理解的稳定性和准确性。基检测跟踪系统，，就是对探测器获取的图像序列进行图像信号处理分析，从视检测到目标信息，进而利用跟踪算法在随后的序列图像中定位出目标的位置，为后续深层次的目标行为理解与决策奠定基础。因此，该课题是智能视频常关键的步骤，具有广泛且重要的研究价值。

框架图,行人,框架

2.1 行人检测常用算法2.1.1 基于特征匹配的行人检测行人目标检测是一种根据传感器采集的图像序列或者视频序列信息来检测其中是否存在行人的技术，如果采集的图像序列中存在行人则在图像序列中标出其具体位置。随着安防领域的快速发展，国内外研究人员对行人检测技术进行深入的研究，并取得了丰硕的研究成果。现有的行人检测算法大致上可分为基于特征匹配的行人检测方法和基于统计学习的行人检测方法。前者主要是对行人的特征进行描述，比如行人的头、手等部件特征和人形模板特征，然后对全图进行扫描匹配搜索找到与行人特征最相似的区域。如果在图像某一子区域计算出的特征与已知行人特征库样本的相似度达到预先设定的阈值，则可以认为该区域具有行人，其计算框架如图 2 所示。基于特征匹配的行人检测算法通过不同尺度的穷举搜索找出图像中存在的行人目标，对简单场景具有较高的检测精度，但是搜索复杂度太大不易实现实时的工程应用。在复杂场景下，行人外观易受穿着、尺度、遮挡、姿态和视角等影响，使得基于特征匹配的行人检测成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题。
【学位授予单位】：河北农业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN948.6

【参考文献】