基于判别式分类器的复杂场景下视频多目标跟踪研究

发布时间：2019-09-12 07:24

【摘要】：近年来,视频监控在安防领域得到了广泛的应用,特别是在大型活动现场、学校、银行、商场、机场、高速公路、地铁等对安全要求敏感的场合。视频监控系统一般包括运动目标检测,目标跟踪,行为检测,异常信息归档等模块。其中,多目标跟踪在很多方面得到了广泛的应用,是近年来计算机视觉、人机交互系统、模式识别等领域的热门研究问题。但是,多目标跟踪还存在诸多问题有待研究。本文针对国内外多目标跟踪算法进行归纳,分析各自优缺点,主要包括目标视觉表示模型和多目标跟踪方法研究,并总结了多目标跟踪算法的难点,最后讨论了多目标跟踪算法未来发展趋势。本论文主要创新工作及研究成果如下:1)本文首先针对复杂场景下,如光照变化、方向变化、尺度变化等,单一特征的目标视觉表示模型很难准确描述目标图像,可靠性较差的问题,提出了一种基于模糊理论和主成分分析法的多特征融合算法,该算法首先提取目标的颜色特征、纹理特征以及梯度特征,接着采用模糊理论对特征进行粗选择,最后利用PCA算法对粗选择后的特征进行融合,有效减少算法复杂度。实验结果表明,融合特征能够较好地适应场景的变化,取得更加鲁棒的跟踪结果。2)融合时空约束的判别式分类模型理论的建立。针对现有的基于判别式模型的多目标跟踪算法中判别模型没有同时利用多目标间时空关系的问题,论文根据同一帧中多个目标间的位置关系,以及目标的运动关系,建立了融合时空约束和结构化SVM的判别式分类模型,最后利用被动-主动(Passive Aggressive,PA)算法实现对判别式分类模型参数的更新。3)基于时空约束判别式分类模型的多目标跟踪算法。基于时空约束判别式分类模型实现视频多目标的跟踪,该算法首先提取图像中每个目标区域的HOG特征,并结合结构化支持向量机分类器进行样本训练,得到每个目标的外观模型。其次使用最小生成树模型来构建同一帧中各个目标间的空间约束,基于目标的运动信息建立时间约束。在跟踪过程中,使用结构化SVM框架进行参数的在线学习,实时地更新各个目标的外观模型、空间以及时间约束。该算法充分利用了目标时空关系,与仅基于空间约束的多目标跟踪算法相比,在公用数据集上的实验结果表明,该算法具有一定的改善。
【图文】：

示意图,多特征,示意图,模糊理论

图 3-2 多特征融合示意图对采用主成分分析法(Principal Component Analysis, PCA)进行多特高的问题，论文提出了一种基于模糊理论和主成分分析法(Fuzzy Thl Component Analysis, FT-PCA)的多特征融合算法，该算法首先提色特征、LBP 特征和 HOG 特征，其次采用模糊理论对特征进行粗 PCA 算法对粗选择后的特征进行融合，有效减少算法复杂度。模糊理论统的集合理论中，集合元素非此即彼，即某一元素要么属于一个集个集合。而在模糊理论[33]（FuzzyTheory, FT）中则是通过隶属度表于集合的程度，该值越大，则元素隶属于集合的程度则越大。需要值在[0,1]的区间内。一元素x的隶属度通常由隶属函数μ(x)将属于模糊集XF的每个元素到，具体如式（3-1）所示：μ(x): XF→[0,1] 实际应用中，，一般通过隶属度函数法来计算得到隶属值。需要指出
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TN948.6

【参考文献】