复杂场景下基于霍夫森林的多目标跟踪方法研究

摘要

随着计算机硬件和视频监控技术的不断发展，目标检测与跟踪逐渐成为计算机视觉研究的热门方向，一直受到各界广泛的关注，尤其是人工智能概念的提出，将视频智能分析推向高潮;而多目标跟踪作为其重要分支，主要确认每个运动目标的身份并实现精确定位，形成专属的目标运动轨迹。目前，多目标跟踪由于长期的研究与发展虽不断取得技术性突破，但仍存在诸多问题有待研究，如复杂的跟踪场景、目标表观变化、目标遮挡与形变、跟踪实时性等。本文主要针对复杂场景下的多目标跟踪方法进行研究，有效解决了目标相似、目标遮挡与形变等问题，主要创新工作及成果如下:
　　(1)针对复杂环境下不同状态的运动目标，研究了一种基于DPM的目标检测算法。该算法在传统HOG特征提取的基础上加以改进，能更好地描述目标的同时，也有效降低了算法复杂度;采用根滤波器与多个部件滤波器相结合的检测方式，先定位目标的大致轮廓，再对目标关键部位实现精细检测，根据综合响应判断检测区域是否为真正目标，进一步提高目标检测的精度。
　　(2)在目标检测的基础上，研究了一种基于霍夫森林的多目标跟踪算法。该算法通过初级关联策略形成保守可靠的轨迹片段，在线提取训练样本，构建基于多部位融合的颜色直方图特征、HOG特征和光流信息的目标特征模型，实现目标的多维度表达;然后利用霍夫森林判别式学习统计叶子节点的属性特征，即根据样本的外观和运动信息估计轨迹间的匹配关联概率，将保守可靠的轨迹片段逐级关联为目标长轨迹，有效解决了跟踪期间目标相似和部分遮挡等问题带来的干扰。
　　(3)为了解决初级关联存在的误差和霍夫森林逐级关联固有的误差累积的问题，提出一种基于多特征融合匹配的霍夫森林多目标跟踪算法。该算法在原有算法的基础上，引入双阈值关联策略，有效降低了初级关联的误匹配，保证了轨迹片段和正负样本的可靠性;根据霍夫森林第一级输出的轨迹关联结果，提出一种多特征融合的轨迹匹配方法，采用基于颜色直方图的相似性度量法和多尺度Gabor特征点匹配的轨迹匹配方式，构建加权融合的匹配概率模型，对目标的长轨迹逐一匹配，将霍夫森林的输出轨迹分层逐级关联为目标的完整轨迹，有效提高了算法处理目标遮挡、形变的能力，实现了多目标的稳定性跟踪。

目录

声明

摘要

第一章 绪论

1．1 课题研究的背景及意义

1．2 国内外研究现状

1．2．1 基于视觉技术的目标跟踪方法

1．2．2 基于数据关联的目标跟踪方法

1．3 目标跟踪的技术难点

1．4 本文主要研究工作

1．5 论文的章节安排

2．1 引言

2．2 基于DPM的目标检测算法

2．2．1 传统型HOG特征

2．2．2 增强型HOG特征

2．2．3 DPM检测模型

2．2．4 DPM检测流程

2．3 实验测试与结果

2．3．1 Jogging数据集检测结果

2．3．2 DukeMTMC数据集检测结果

2．3．3 统计结果分析

2．4 本章小结

第三章 基于霍夫森林的多目标跟踪算法

3．1 引言

3．2 初级关联

3．3 样本采集

3．4 目标特征模型

3．4．1 颜色直方图特征

3．4．2 HOG特征

3．4．3 光流特征

3．5 霍夫森林构建与轨迹关联

3．6 实验结果及分析

3．6．1 跟踪性能评价指标

3．6．2 PETS09-S2L1视频序列跟踪结果

3．6．3 Parking Lot视频序列跟踪结果

3．7 本章小结

第四章 基于多特征融合匹配的霍夫森林多目标跟踪算法

4．1 引言

4．2 双阈值关联

4．3 基于霍夫森林的多目标跟踪

4．4 多特征融合的轨迹匹配

4．4．1 相似性度量

4．4．2 特征点匹配

4．4．3 匹配概率模型

4．5 分层逐级关联模型

4．6 实验结果及分析

4．6．1 DukeMTMC视频序列多目标跟踪结果

4．6．2 TUD-Stadtmitte视频序列多目标跟踪结果

4．6．3 TUD-Crossing视频序列多目标跟踪结果

4．7 本章小结

5．1 本文工作总结

5．2 未来研究展望

参考文献

致谢

攻读学位期间发表的学术论文

攻读学位期间参与的科研项目