圖像運動目標檢測與跟蹤算法研究及應用.pdf

1、隨著智慧城市的蓬勃發(fā)展與建設(shè)，以及日趨嚴峻的公共安全形勢，智能視頻監(jiān)控技術(shù)在智慧交通，智慧小區(qū)，公共安等方面發(fā)揮著越來越大的作用。目標檢測與跟蹤技術(shù)作為視頻監(jiān)控系統(tǒng)的基礎(chǔ)，其性能將直接影響后續(xù)數(shù)據(jù)分析的效果。一般環(huán)境下，現(xiàn)有的目標檢測與跟蹤算法已經(jīng)基本能夠滿足圖像處理對準確率和實時性的要求。但是，如果在運動目標數(shù)量密集，目標外觀特征很相似等干擾條件下，現(xiàn)有的算法還無法兼顧實時性和準確率?；诖耍疚纳钊胙芯吭谀繕送庥^相似等復雜條件下的圖

2、像運動目標檢測與跟蹤算法，通過對現(xiàn)有目標檢測和跟蹤算法的改進和優(yōu)化，提升目標檢測和跟蹤的速度和準確率。本文的主要工作如下：
　　1.針對復雜背景下的目標檢測問題，本文以級聯(lián)可變形部件模型(cascade Deformable Part Model, cascade DPM)為基礎(chǔ)，針對其進行目標檢測時兩個主要部分，即模型匹配和假設(shè)裁剪，分別進行改進和優(yōu)化。通過模型匹配計算得分采用超像素分割技術(shù)區(qū)分前景和背景，在假設(shè)裁剪時融合相鄰區(qū)

3、域信息提高裁剪效率。通過實驗驗證改進的方法，并將改進的方法與現(xiàn)有的基于DPM的檢測方法進行比較，結(jié)果證明改進方法比級聯(lián)DPM等方法在檢測速度無明顯下降的情況下，對20種目標類別的檢測平均準確率上提高了1.6％，某些目標類別的檢測精度提高了6%。
　　2.針對目標外觀極其相似的情況下的多目標跟蹤問題，本文以網(wǎng)絡流跟蹤算法為基礎(chǔ)，對其跟蹤片段生成和相似性計算分別進行改進和優(yōu)化。采用特征度量學習獲取可靠跟蹤片段，引入運動目標動力學模型計

4、算跟蹤片段相似性，減少因目標外觀相似帶來的目標ID交換。最后通過實驗驗證，證明改進的目標跟蹤方法較之其他網(wǎng)絡流跟蹤算法可以有效處理目標外觀相似的情況。在跟蹤速度無明顯下降的情況下，本文目標跟蹤方法的平均跟蹤準確率較之傳統(tǒng)網(wǎng)絡流算法在給定數(shù)據(jù)集上提高了10%。
　　3.基于所提出的目標檢測和跟蹤算法，實現(xiàn)了原型系統(tǒng)。系統(tǒng)把目標檢測，目標跟蹤模塊進行整合，以 Windows操作系統(tǒng)為平臺，在 VC++編譯環(huán)境下，調(diào)用Intel公司的O