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，以及日趨嚴峻的公共安全形勢，智能視頻監(jiān)控技術在智慧交通，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作為視頻監(jiān)控系統(tǒng)的基礎，其性能將直接影響后續(xù)數據分析的效果。一般環(huán)境下，現有的目標檢測與跟蹤算法已經基本能夠滿足圖像處理對準確率和實時性的要求。但是，如果在運動目標數量密集，目標外觀特征很相似等干擾條件下，現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，針對其進行目標檢測時兩個主要部分，即模型匹配和假設裁剪，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區(qū)分前景和背景，在假設裁剪時融合相鄰區(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有的基于DPM的檢測方法進行比較，結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，本文以網絡流跟蹤算法為基礎，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)網絡流算法在給定數據集上提高了10%。
　　3.基于所提出的目標檢測和跟蹤算法，實現了原型系統(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，調用Intel公司的O