基于三维LARK特征的运动目标检测模型研究

摘要

随着人工智能的快速发展，视频运动目标检测已成为当前的研究热点。现有的监督类方法需要大量训练、且算法复杂度高，而非监督类方法检测精度低、且依赖于特征。本文根据运动目标检测精度高、时效快、参数少易实现等要求，探索并设计实现了两种检测模型。
　　针对设备采集的长视频中存在对比度低、噪声高以及背景复杂等问题，本文首先重点探索研究了一种基于带权重的三维局部自适应回归核（3-D weighted LARK）的时空局部结构统计匹配模型，该模型包含三部分:复合模板集、时空局部匹配和时空整体相似度统计。将复合模板集和待测视频的局部结构进行时空匹配，再统计匹配结果，最后将统计结果进行分析提取，由此实现视频中运动目标的检测和目标不同动作的识别。
　　针对多姿态的结构非紧凑的运动目标影响模型检测精度的问题，本文进一步提出并研究了基于局部结构和邻域结构的双层结构融合模型。该模型包含四部分:复合模板集、邻域高斯结构、双层时空统计匹配和双层结构融合。双层结构融合模型在局部结构的基础上，加入目标的邻域结构约束。对局部结构和邻域结构分别进行时空匹配，再对两个匹配相似度进行统计，最后将统计结果进行融合和分析提取。
　　本文针对时空局部结构统计匹配模型与Hae.Jeo Seo模型开展了运动目标检测对比实验，结果表明该模型能有效解决待测视频场景受到模板背景约束的问题。本文针对双层结构融合模型与S-CNN等模型开展了标准库中的检测对比实验，结果表明该模型对非紧凑型运动目标检测有鲁棒性，且与监督方法比，本文使用简单模板集也能达到同等的精度，同时可以降低误检率。

目录

声明

摘要

1 绪论

1．1 引言

1．2 课题背景及研究意义

1．3 运动目标检测的研究内容

1．3．1 研究问题的描述

1．3．2 特征提取

1．3．3 监督与非监督方法

1．3．4 其他方法的缺陷

1．4 本文的主要工作

2 带权重的三维LARK特征和邻域结构关系

2．1 视频预处理

2．2 带权重的三维LARK特征

2．2．1 核回归特征

2．2．2 三维LARK特征

2．2．3 带权重的三维LARK特征

2．3 邻域结构数据拟合

2．4 基于LARK特征的目标识别系统

2．5 本章小结

3 时空局部结构统计匹配模型

3．1 时空局部结构统计匹配运动目标检测模型概述

3．2 复合模板集

3．2．1 无背景多尺度模板

3．2．2 模板集的局部结构分析

3．2．3 相似结构去冗余

3．3 时空统计匹配

3．3．1 向量余弦匹配

3．3．2 局部相似性的时空统计

3．4 非极大值抑制法提取目标

3．5 本章小结

4 双层结构融合的运动目标检测模型

4．1 时空局部结构统计匹配方法的改进需求

4．2 双层结构融合的目标识别方法概述

4．3 邻域高斯结构时空统计匹配

4．3．1 基于多维高斯拟合的邻域结构关系

4．3．2 邻域高斯结构的时空统计匹配

4．4 双层结构约束的融合

4．5 时空局部结构统计匹配与双层结构融合模型的对比

4．6 本章小结

5 实验测试与参数分析

5．1 检测系统软件与硬件环境

5．1．1 软件版本与硬件设备

5．1．2 时效分析

5．2 检测系统参数分析

5．2．1 局部结构和邻域结构复合模板集去冗余阈值α1和α2

5．2．2 非极大值抑制中提取目标的阈值σ

5．2．3 变参数对本文模型定量分析

5．3 检测结果分析

5．3．1 全身与半身动作的复合模板集对比

5．3．2 时空局部结构统计匹配模型的检测结果

5．3．3 双层结构融合模型对不同速度运动目标的检测结果

5．3．4 双层结构融合模型对多视角、多场景和多尺度目标的检测结果

5．3．5 其他动作的识别

5．3．6 评估检测结果的标准

5．4 标准库的检测结果

5．4．1 双层结构融合模型的检测结果和精度

5．4．2 与近期的监督模型对比

5．5 本章小结

6 总结与展望

6．1 论文总结

6．2 未来工作展望

致谢

参考文献

攻读硕士学位期间发表的论文和出版著作情况

攻读硕士学位期间参加的科学研究情况