基于SNMM和MDP的视频目标检测与跟踪算法研究
发布时间：2021-01-09 11:21
目标检测与跟踪一直是计算机视觉领域研究的重心,在无人驾驶、视频监控等领域应用广泛。由于视频中光照的变化、目标的阴影、目标之间的遮挡、目标的消失与新生等因素,让目标检测与跟踪成为具有挑战性的研究课题。本文围绕偏正态混合模型（Skew Normal Mixed Model SNMM）目标检测和马尔可夫决策过程（Markov Decision Process MDP）多目标跟踪进行研究,具体的工作如下:（1）提出了一种改进的SNMM,用以解决目标检测中光照变化导致检测失败的问题。SNMM中的位置参数和偏度参数可以很好地反映视频光照的变化。基于此,建立了含有位置参数和形状参数的光照变化检测准则。当检测到光照变化时,对视频帧进行背景差分法处理,以提高目标检测的准确率。与高斯混合模型（GMM）、SNMM和背景差分法相比,改进的SNMM目标检测算法的性能评价最高。（2）基于MDP的视频多目标跟踪模型分为4个状态,分别为活动、跟踪、丢失、非活动。状态间的转移策略的优劣决定了目标跟踪的质量和速度。为了提高目标跟踪的速度,在活动和丢失状态间提出了一种快速匹配策略的MDP（FastMD...
【文章来源】：西安理工大学陕西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
“highwayII_raw”视频中部分帧的检测结果
第2章基于背景建模的目标检测算法17为了更好的观察本章改进算法的性能，利用识别率R和误检率NP进行改进算法和原算法在光线变化前后的情况比较。=TPRTPFN，=FPNPTPFP（2.36）其中TP是检测正确的运动目标数量，FN是没有检测到的运动目标数量，即运动目标被识别为背景的数量，FP是背景点错误被检测为运动目标数量。结果由图2-4来表示，图2-4目标检测算法的性能评估图Fig.2-4PerformanceEvaluationChartoftheTargetDetectionAlgorithm图2-4中左边8列是viptraffic”视频的性能指标，中间8列是“atrium”视频的性能指标，右边8列在highwayII_raw”性能指标。通过图2-4我们很明显可以看出，改进的SNMM检测算法的识别率高于其他算法的，误检率明显低于其他的算法，说明本章算法能很好的应对光照引起的灰度不均匀的目标检测。2.5本章小结本章首先介绍简要背景差分法的算法原理和算法步骤，介绍基于GMM的目标检测算法，并详细介绍了该目标检测算法中模型的参数更新。由于像素的历史灰度值序列并不是严格的服从高斯分布，引入基于SNMM进行目标检测。本章针对剧烈的光照变化引起视频目标检测失败的现象，提出了一种改进的SNMM的目标检测算法，成功解决了该问题。实验结果表明，改进后的目标检测算法具有一定的鲁棒性。
第3章基于MDP的视频多目标跟踪算法193基于MDP的视频多目标跟踪算法第2章介绍了目标检测中的背景建模方法，本章在目标检测的基础上，将目标在视频中的运动过程看作为一个MDP。此时目标有四个状态分别是活动、不活动、跟踪和丢失，状态间有七个动作。研究在目标状态下执行动作的策略，从而实现多目标跟踪。针对基于MDP跟踪速度慢的问题，提出一个基于目标个数变化来决定目标的状态的策略，也即Fast_MDP跟踪算法。3.1MDPMDP最基本的模型是一个四元组(,,,)fSATR[24]状态集合S：问题一切可能状态的集合；行动集合A：问题一切可能行动的集合；状态转移函数：T:SAS[0,1]，例如T(s,a,s)表示在一个状态s，执行一个动作a，而转移到下一个状态s的概率;回报函数：:fRSAR，例如(,)fRsa表示在状态s执行一个动作a在短时间内能得到的立即回报。本文在没有特殊说明的情况只讨论离散参数的情况，如时间、状态及行动的参数。在某个状态s下会将执行一个动作a转移到一个确定的状态，状态转移函数如下：:saTSAS。给出MDP的一个实例，图3-1显示了动作和状态间概率转移的过程。当状态是1s执行某一动作有0.3的概率转移到状态6s；状态4s执行某一动作，一定可以转移到状态3s，像这样的动作就是特定的。图3-1给定行动的状态间概率转移图Fig.3-1ProbabilityTransitionDiagrambetweenStatesforaGivenAction策略[24]是从状态集合到动作集合的映射，即:SA，则在状态s下执行动作a可记作(s)。在图3-1中状态1s在策略1(s)下，执行某一动作a，才能转移到状态6s。值函数[24]：采用策略时在状态s的期望回报。即：V:SR。计算公式如公式（3.1）所示：1s2s0.20.30.60.80.46s3s0.51.00.55s4s1.0
【参考文献】：
期刊论文
[1]一种抗遮挡尺度自适应核相关滤波器跟踪算法[J]. 居超,黄影平,胡兴. 上海理工大学学报. 2018(05)
[2]基于高斯肤色模型与Blob算法的人脸检测[J]. 李岚,张云. 咸阳师范学院学报. 2018(04)
[3]路网空间下基于马尔可夫决策过程的异常车辆轨迹检测算法[J]. 毛江云,吴昊,孙未未. 计算机学报. 2018(08)
[4]一种融合遮挡分割的多目标跟踪算法[J]. 李健勇,徐连宇. 电讯技术. 2013(02)
[5]适应光照突变的运动目标检测算法[J]. 李加佳,彭启民. 计算机辅助设计与图形学学报. 2012(11)
[6]基于背景建模与帧间差分的目标检测改进算法[J]. 陈俊超,张俊豪,刘诗佳,陆小锋. 计算机工程. 2011(S1)
[7]适应场景光照变化的运动目标检测算法[J]. 李亚玲,徐荣青,聂桂军,田俊青,姚晓宇. 计算机技术与发展. 2011(02)
[8]应用Mean Shift和分块的抗遮挡跟踪[J]. 颜佳,吴敏渊,陈淑珍,张青林. 光学精密工程. 2010(06)
[9]一种基于贪心搜索的实时多目标遮挡处理算法[J]. 杨涛,李静,潘泉,张艳宁. 自动化学报. 2010(03)
[10]消除光照影响的背景减除算法[J]. 樊亚春,周明全,耿国华. 中国图象图形学报. 2009(07)
硕士论文
[1]基于马尔可夫模型的行人运动建模与疏散研究[D]. 魏成杰.北京交通大学 2018
本文编号：2966552
【文章来源】：西安理工大学陕西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
“highwayII_raw”视频中部分帧的检测结果
第2章基于背景建模的目标检测算法17为了更好的观察本章改进算法的性能，利用识别率R和误检率NP进行改进算法和原算法在光线变化前后的情况比较。=TPRTPFN，=FPNPTPFP（2.36）其中TP是检测正确的运动目标数量，FN是没有检测到的运动目标数量，即运动目标被识别为背景的数量，FP是背景点错误被检测为运动目标数量。结果由图2-4来表示，图2-4目标检测算法的性能评估图Fig.2-4PerformanceEvaluationChartoftheTargetDetectionAlgorithm图2-4中左边8列是viptraffic”视频的性能指标，中间8列是“atrium”视频的性能指标，右边8列在highwayII_raw”性能指标。通过图2-4我们很明显可以看出，改进的SNMM检测算法的识别率高于其他算法的，误检率明显低于其他的算法，说明本章算法能很好的应对光照引起的灰度不均匀的目标检测。2.5本章小结本章首先介绍简要背景差分法的算法原理和算法步骤，介绍基于GMM的目标检测算法，并详细介绍了该目标检测算法中模型的参数更新。由于像素的历史灰度值序列并不是严格的服从高斯分布，引入基于SNMM进行目标检测。本章针对剧烈的光照变化引起视频目标检测失败的现象，提出了一种改进的SNMM的目标检测算法，成功解决了该问题。实验结果表明，改进后的目标检测算法具有一定的鲁棒性。
第3章基于MDP的视频多目标跟踪算法193基于MDP的视频多目标跟踪算法第2章介绍了目标检测中的背景建模方法，本章在目标检测的基础上，将目标在视频中的运动过程看作为一个MDP。此时目标有四个状态分别是活动、不活动、跟踪和丢失，状态间有七个动作。研究在目标状态下执行动作的策略，从而实现多目标跟踪。针对基于MDP跟踪速度慢的问题，提出一个基于目标个数变化来决定目标的状态的策略，也即Fast_MDP跟踪算法。3.1MDPMDP最基本的模型是一个四元组(,,,)fSATR[24]状态集合S：问题一切可能状态的集合；行动集合A：问题一切可能行动的集合；状态转移函数：T:SAS[0,1]，例如T(s,a,s)表示在一个状态s，执行一个动作a，而转移到下一个状态s的概率;回报函数：:fRSAR，例如(,)fRsa表示在状态s执行一个动作a在短时间内能得到的立即回报。本文在没有特殊说明的情况只讨论离散参数的情况，如时间、状态及行动的参数。在某个状态s下会将执行一个动作a转移到一个确定的状态，状态转移函数如下：:saTSAS。给出MDP的一个实例，图3-1显示了动作和状态间概率转移的过程。当状态是1s执行某一动作有0.3的概率转移到状态6s；状态4s执行某一动作，一定可以转移到状态3s，像这样的动作就是特定的。图3-1给定行动的状态间概率转移图Fig.3-1ProbabilityTransitionDiagrambetweenStatesforaGivenAction策略[24]是从状态集合到动作集合的映射，即:SA，则在状态s下执行动作a可记作(s)。在图3-1中状态1s在策略1(s)下，执行某一动作a，才能转移到状态6s。值函数[24]：采用策略时在状态s的期望回报。即：V:SR。计算公式如公式（3.1）所示：1s2s0.20.30.60.80.46s3s0.51.00.55s4s1.0
【参考文献】：
期刊论文
[1]一种抗遮挡尺度自适应核相关滤波器跟踪算法[J]. 居超,黄影平,胡兴. 上海理工大学学报. 2018(05)
[2]基于高斯肤色模型与Blob算法的人脸检测[J]. 李岚,张云. 咸阳师范学院学报. 2018(04)
[3]路网空间下基于马尔可夫决策过程的异常车辆轨迹检测算法[J]. 毛江云,吴昊,孙未未. 计算机学报. 2018(08)
[4]一种融合遮挡分割的多目标跟踪算法[J]. 李健勇,徐连宇. 电讯技术. 2013(02)
[5]适应光照突变的运动目标检测算法[J]. 李加佳,彭启民. 计算机辅助设计与图形学学报. 2012(11)
[6]基于背景建模与帧间差分的目标检测改进算法[J]. 陈俊超,张俊豪,刘诗佳,陆小锋. 计算机工程. 2011(S1)
[7]适应场景光照变化的运动目标检测算法[J]. 李亚玲,徐荣青,聂桂军,田俊青,姚晓宇. 计算机技术与发展. 2011(02)
[8]应用Mean Shift和分块的抗遮挡跟踪[J]. 颜佳,吴敏渊,陈淑珍,张青林. 光学精密工程. 2010(06)
[9]一种基于贪心搜索的实时多目标遮挡处理算法[J]. 杨涛,李静,潘泉,张艳宁. 自动化学报. 2010(03)
[10]消除光照影响的背景减除算法[J]. 樊亚春,周明全,耿国华. 中国图象图形学报. 2009(07)
硕士论文
[1]基于马尔可夫模型的行人运动建模与疏散研究[D]. 魏成杰.北京交通大学 2018
本文编号：2966552
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2966552.html
