基于多摄像头协同的目标跟踪方法研究

发布时间：2021-07-20 21:31

　　随着信息时代的高速发展,采用计算机理解图像语义信息的需求也越来越多,目标跟踪作为理解深层语义信息的基础也成为计算机视觉领域的一个具有吸引力和挑战性的研究方向。当前目标跟踪技术在智能交通、安防监控、人机交互等领域有着广泛的应用空间,具有较高的研究意义和实用价值。在实际应用中,基于单摄像头的目标跟踪系统存在跟踪视野有限、跟踪角度单一、难以解决目标遮挡等问题,基于多摄像头的目标跟踪系统则可以较好的解决这些问题而成为研究的热点。本文的研究内容主要包含三个方面,分别是目标检测、单摄像头目标跟踪以及多摄像头协同的目标跟踪。目标检测是后续跟踪的基础和前提,单摄像头目标跟踪在目标检测的基础之上对镜头范围内的目标进行跟踪,多摄像头协同的目标跟踪在单摄像头目标跟踪的基础上,融合多个摄像头的信息实现对目标长时间、多角度的跟踪。本文的主要研究内容如下:（1）采用当前较为流行的、基于卷积神经网络的目标检测算法Faster RCNN进行目标检测,并将该算法与基于人工选择特征的检测算法DPM（Deformable Parts Model）进行实验对比,实验结果表明,相对于人工选择特征,使用卷积神经网络方法获得的特征... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

DPM特征提取

传统的基于 HOG 特征提取方式，DPM 算法的特征提性的情况下变得更加高效，为了保证算法在多尺度环像进行尺度变化并对不同的尺度的图像提取对应尺度的基于 HOG 特征的目标检测方法对目标整体提取特征本身保持一个无形变或微小的形变时，采用传统的整体当目标本身有丰富的形变时，传统的模型难以表现出目统模型对这类目标进行匹配时发生误判的可能性较高具有的组成特性引入组件模型的概念，使得模型具有好应对目标自身的形变，提高模型匹配的准确性。 如示基于传统 HOG 特征表示的行人模型，图 2-2(b)表示 模型。

图 2-3 局部感知和参数共享示意图进行处理的数学定义如下：P ( x ) I ( x t )ω (t )dt+∞ ∞= 与 I ( x )、ω ( x)相关，若 ω ( x)是概率分布函数间上的平滑滤波。若 I ( x )和 ω ( x)都是离散' ' '' ' ' ' ' ( , , ) ( , , ) ( , ,c w hi c j w k hP i j k I i i j j k k ωi j = = = = 就是卷积层对于输入的处理方式，其中I 是的输出矩阵。该过程的示意图如图 2-4 所

【参考文献】：
期刊论文
[1]协同运动状态估计的多目标跟踪算法[J]. 袁大龙,纪庆革.  计算机科学. 2017(S2)
[2]基于光流法和卡尔曼滤波的多目标跟踪[J]. 石龙伟,邓欣,王进,陈乔松.  计算机应用. 2017(S1)
[3]一种多模型贝努利粒子滤波机动目标跟踪算法[J]. 杨峰,张婉莹.  电子与信息学报. 2017(03)
[4]快速多目标跟踪GM-PHD滤波算法[J]. 陈金广,秦晓姗,马丽丽.  计算机科学. 2016(03)
[5]部件级表观模型的目标跟踪方法[J]. 王美华,梁云,刘福明,罗笑南.  软件学报. 2015(10)
[6]基于图的半监督目标跟踪[J]. 毛盾,邢昌风,黎铁冰,黄傲林.  系统工程与电子技术. 2016(02)



本文编号：3293639