智能監(jiān)視中目標(biāo)檢測(cè)及跟蹤算法研究.pdf

1、隨著人們對(duì)于公共安全等問(wèn)題的不斷重視，視頻監(jiān)控被應(yīng)用到越來(lái)越多的場(chǎng)景中，從而帶來(lái)了海量的監(jiān)控視頻數(shù)據(jù)。傳統(tǒng)人工處理的方式已逐漸不可行，我們迫切需要使用計(jì)算機(jī)來(lái)進(jìn)行無(wú)人值守的智能視頻監(jiān)控。智能視頻監(jiān)控中涉及的關(guān)鍵技術(shù)有目標(biāo)檢測(cè)及目標(biāo)跟蹤，目標(biāo)檢測(cè)根據(jù)處理數(shù)據(jù)對(duì)象的不同又可以進(jìn)一步分為運(yùn)動(dòng)目標(biāo)檢測(cè)以及目標(biāo)檢測(cè)。然而現(xiàn)實(shí)場(chǎng)景中由于噪音、光照變化等因素導(dǎo)致運(yùn)動(dòng)目標(biāo)檢測(cè)算法往往效果不佳;另一方面大部分的檢測(cè)算法仍面臨計(jì)算復(fù)雜度較高的問(wèn)題;目標(biāo)跟蹤

2、算法也面臨著準(zhǔn)確度有限、實(shí)時(shí)性不強(qiáng)等問(wèn)題，我們需要尋找更好的解決方案。因此，對(duì)于智能監(jiān)控領(lǐng)域中目標(biāo)檢測(cè)及跟蹤算法的研究有著重要的理論意義與實(shí)用價(jià)值。
　　在這種背景下，本文主要進(jìn)行了以下工作:
　　1.首先介紹了一些經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，包括背景差分法、幀間差分法、光流法以及背景建模法，并分析了各種方法的優(yōu)缺點(diǎn)。
　　2.重點(diǎn)研究了混合高斯模型(Gaussian Mixture Model，GMM)。GMM是一種很有

3、效的背景建模模型，但是作為一種像素級(jí)建模算法，其檢測(cè)結(jié)果存在“空洞”問(wèn)題，本文在分析GMM以及深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional NeuralNetwork，DCNN）的基礎(chǔ)上，提出了一種基于深度編解碼網(wǎng)絡(luò)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，實(shí)驗(yàn)結(jié)果顯示我們的算法不僅有效地解決了原GMM算法中的“空洞”問(wèn)題，而且大幅度提高了算法的魯棒性。
　　3.介紹了目標(biāo)檢測(cè)算法的一般流程，總結(jié)并分析了該類(lèi)算法的關(guān)鍵點(diǎn)。面對(duì)當(dāng)前基于深度學(xué)習(xí)

4、的目標(biāo)檢測(cè)算法中計(jì)算復(fù)雜度較高的問(wèn)題，我們引入了一種精確度較高且檢測(cè)速度很快的目標(biāo)檢測(cè)模型Faster-RCNN(Regions with CNNfeatures)。
　　4.研究了現(xiàn)有的一些目標(biāo)跟蹤算法，本文在分析了通用目標(biāo)跟蹤的算法GOTURN(Generic Object Tracking Using Regression Networks)后使用感興趣區(qū)域池化(Region of Interest Pooling，ROIP