深度学习与相关滤波融合的行人跟踪算法研究

发布时间：2022-05-03 05:39

　　行人目标检测与跟踪技术在安防监控、智能交通、人机交互等领域都具有重要的研究价值和应用价值。实际应用环境中,由于跟踪场景多样性和行人目标变化复杂,传统的经典核相关滤波目标跟踪算法对快速运动、尺度变化、遮挡等属性的视频跟踪效果不佳。当跟踪到的目标不准确时,对滤波器模型更新就会降低其检测质量。若连续多帧都发生这种情况,则会造成模型漂移,导致目标跟踪丢失和错误蔓延现象。针对这些问题,本文提出了基于深度学习检测的分组核相关目标跟踪算法,主要内容以及成果如下:（1）针对实际跟踪环境导致的跟踪目标丢失和错误蔓延的现象,本文提出基于深度学习检测的分组核相关滤波目标跟踪算法。该算法首先将待跟踪的视频序列分为若干组,对于每组的第一帧采用Faster RCNN算法进行目标检测,若检测到待跟踪的目标,则用检测到的特征信息对滤波器进行训练和更新;否则,则继续沿用上一帧中核相关滤波算法跟踪到的特征信息,进行滤波器模板的训练和更新,完成后续目标跟踪。（2）由于传统目标检测算法采用的手工设计特征鲁棒性较差,因此本文采用基于深度学习的Faster RCNN 目标检测算法完成行人检测。在Caffe深度学习框架和VGG网络... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 行人目标检测研究现状
        1.2.2 目标跟踪研究现状
    1.3 主要研究内容
    1.4 论文结构安排
2 基于核相关滤波的目标跟踪算法研究与实现
    2.1 视频信息处理的特征描述
        2.1.1 HOG特征
        2.1.2 LBP纹理特征
        2.1.3 深度特征
    2.2 KCF目标跟踪算法介绍
        2.2.1 KCF目标跟踪算法原理
        2.2.2 算法流程
    2.3 KCF跟踪算法实验结果
    2.4 本章小结
3 行人检测算法研究与实现
    3.1 引言
    3.2 基于Faster RCNN的行人目标检测算法研究
        3.2.1 Faster RCNN算法原理
        3.2.2 基于Faster RCNN算法的行人检测实现
    3.3 实验结果与分析
        3.3.1 行人检测评价指标介绍
        3.3.2 实验环境及参数设置
        3.3.3 实验结果与分析
    3.4 本章小结
4 基于深度学习检测的分组核相关目标跟踪算法
    4.1 KCF跟踪算法的不足
        4.1.1 尺度固定
        4.1.2 目标遮挡
        4.1.3 快速运动
    4.2 改进的基于深度检测的分组目标跟踪算法
        4.2.1 改进方案
        4.2.2 算法分析
        4.2.3 算法流程与框图
    4.3 实验结果与分析
        4.3.1 目标跟踪评价指标介绍
        4.3.2 最优参数值选择
        4.3.3 基于全局的性能分析
        4.3.4 基于属性的性能分析
    4.4 本章小结
5 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
致谢
参考文献
附录



本文编号：3650736