基于能量最小化的视频目标检测与跟踪

摘要

基于计算机视觉的视频监控技术主要利用图像处理方法在特定场景中检测与跟踪运动目标，进而分析图像序列中某类目标的运动及其相互关系。由于场景复杂性以及行人运动特性的影响，现有方法在行人目标检测与跟踪方面依然存在着漏检、误检以及漂移等许多问题。本文主要研究动态环境中的行人目标识别与跟踪方法，针对多目标跟踪方案提出一种基于连续能量最小化的跟踪优化模型。该模型对影响多目标跟踪的多方面因素进行建模，使其能够完整描述多目标跟踪问题，以此提高跟踪性能，改进跟踪结果。本文主要工作如下：
　　首先，分析几种常用的检测跟踪方法，对比其特征与应用环境，并建立和使用基于检测的跟踪框架。
　　其次，在目标检测方面，给出基于方向梯度直方图(HOG)的检测算法，对视频图像进行运动分割，提取运动区域的HOG特征，使用支持向量机检测器对目标的HOG特征进行检测与分类，并使用积分图方法加快特征的计算速度;在目标跟踪方面，使用扩展卡尔曼滤波预估动态目标的位置，使用目标匹配的方法进行数据关联从而得到视频图像序列的初始跟踪方案。
　　针对初始跟踪方案，给出一种连续能量最小化的模型优化方法。该模型充分考虑多目标跟踪的影响因素，即分别对遮挡、外观、动力学情况进行建模分析，使整体模型接近多目标跟踪的情况;此外，使用标准共轭梯度与六种跳跃移动类型方法对建立的能量模型进行优化，最终得到满足能量最小条件的目标跟踪方案。
　　最后，使用多目标跟踪评价指标CLEAR MOT，计算多目标跟踪的准确度与精确度，定量评价改进方案的跟踪效果。

目录

声明

摘要

第1章 绪论

1．1 课题背景及意义

1．1．1 计算机视觉概述

1．1．2 视频目标检测与跟踪技术的应用

1．2 视频目标检测与跟踪技术的研究现状

1．3 视频目标检测与跟踪方案的概述

1．4 本文的研究内容

第2章 相关理论基础知识

2．1 引言

2．2 常用检测算法概述

2．3 运动目标检测算法比较与分析

2．4 跟踪算法概述

2．4．1 目标表示与定位

2．4．2 滤波与数据关联

2．5 跟踪评价指标——CLEAR MOT

2．5．1 多目标跟踪准确度(MOTA)

2．5．2 多目标跟踪精度(MOTP)

2．6 本章小结

第3章 运动目标检测技术研究及应用

3．1 引言

3．2 行人图像特征提取

3．3 积分向量图计算

3．4 训练和分类

3．5 实验结果

3．6 本章小结

第4章 多目标跟踪算法研究

4．1 引言

4．2 扩展卡尔曼滤波

4．2．1 卡尔曼滤波原理

4．2．2 扩展卡尔曼滤波原理

4．3 目标匹配

4．4 扩展卡尔曼滤波的应用

4．5 本章小结

第5章 基于标准共轭梯度的连续能量模型

5．1 连续能量模型的定义

5．1．1 参数表示

5．1．2 连续能量模型

5．1．3 全局遮挡模型

5．1．4 外观模型

5．2 优化方案

5．2．1 共轭梯度法

5．2．2 跳跃移动类型

5．2．3 初始值

5．3 实验设置

5．4 实验评价

5．4．1 定性分析

5．4．2 定量评价

5．5 本章小结

结论

参考文献

致谢