智能视频监控系统中的目标检测和多目标跟踪技术研究

发布时间：2021-04-15 22:04

　　随着计算机视觉技术的发展,尤其是深度学习技术的发展,智能视频监控技术越来越成熟。作为智能视频监控系统的重要组成部分,目标检测和目标跟踪技术已成为当前视觉领域重要的研究方向。本文围绕智能视频监控系统实际应用中基于深度学习的目标检测和多目标跟踪技术展开研究,分析了目标检测和多目标跟踪技术研究的背景、意义及国内外研究现状,深入研究了目标检测与多目标跟踪技术的基本理论和方法,最后分别对相关算法进行了改进。在目标检测方面,根据智能视频监控系统中实时性、精确性、占用较小显存空间的要求,本文改进了YOLO系列的精简版YOLOv3-tiny算法。以行人检测为例,通过调整YOLOv3-tiny算法中grid cell的横纵方向数量、优化YOLOv3-tiny算法网络结构、聚类确定anchor的数量及尺寸,得到改进的算法,并通过数据增强方法对训练数据集进行了扩充。实验结果显示改进的算法显著提高了算法精度,具备实时性、精确性,且不需要较大的显存空间,满足大部分智能视频监控系统实际应用的要求。在多目标跟踪方面,卡尔曼滤波面对运动特征不断变化的目标或监控系统摄像机的移动,无法较好的进行预测,同时卡尔曼滤波只包含... 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

YOLO目标检测示意图

图 3. 3 IOU-k 折线图经过聚类分析，通过肘部法则启发式的选取聚类的数目 k。当聚类数目 k 增加到某一个的时候 IOU 值的变化会越来越小，此时将该拐点处的 k 值作为本文所使用的聚类的个数。看出，当k > 6时，目标函数变化逐渐变缓，所以本文选取k = 6，对应着 anchor 的个数为通过聚类选取的 anchor 的尺寸更加接近行人真实框的尺寸，可以加快检测速度，同时对高检测的精度也很有帮助。.4.3 基础网络结构的改进原始的 YOLOv3-tiny 网络结构中只有 7 个卷积层，对目标的特征提取效果有限，然而在视频监控系统实际应用中一般对目标检测算法的精度有较高的要求。本章对 YOLOv3-tiny网络进行了改进。Conv 1×1Conv 3×3

据集中样本数量较少，实际应用中泛化能力较差并且容易出现过拟合的问题，为了解决这个问题，本文将 INRIA 训练集通过裁剪、平移、改变亮度、加噪声、旋转角度、镜像等数据增强方法扩充到 20000 张。通过增加数据集防止过拟合、提升模型泛化能力、提高模型精确性。如图3.6 为 INRIA 数据集示例。


本文编号：3140161