基于深度强化学习的监控视频目标跟踪方法研究

摘要

目前，视频监控在生产生活中应用越来越广泛，监控视频的数据量爆炸式增长，为视频数据处理与分析带来前所未有的挑战。传统人工分析监控视频的方式成本高、效率低、稳定性差，难以满足海量监控视频的处理需求，所以亟需研究监控视频分析技术。目标跟踪是监控视频分析技术的重要研究内容之一，在智能交通、智能医疗、公共安全等领域具有重要应用前景。　　目标跟踪是指在每一帧中捕捉特定目标。其主要问题包括如何描述目标的外观特征、如何利用时间关联性提高跟踪效率、如何建立相邻帧目标的准确对应关系。基于深度强化学习的跟踪方法具备深度学习的特征提取能力和强化学习的决策能力，可提取更抽象的高维特征并充分利用时间关联性,使网络能够通过端对端的方式进行实时跟踪。本文首先针对遮挡问题提出了基于深度强化学习的单目标跟踪方法，并在其基础上对多个目标进行二次关联，得到多目标跟踪网络来解决多目标的相互遮挡问题。本文的主要工作如下：　　1)为了提高目标跟踪的实时性，提出一种目标预测算法来提供跟踪目标的准确初始位置。在上一帧跟踪结果的基础上对当前帧目标的初始位置进行预测,从而为单目标跟踪网络提供更加准确的初始状态，减少了后续目标定位的时间消耗。　　2)针对单目标遮挡问题，提出了一种基于深度强化学习的自适应修正算法来改善遮挡情况下的跟踪结果。该算法通过对目标预测算法的预测结果和当前视频帧的跟踪结果进行加权，来精确定位部分或完全被遮挡的目标。　　3)针对多目标相互遮挡问题，在单目标跟踪方法的基础上提出了基于二次关联的多目标跟踪方法，提高了遮挡情况下的多目标跟踪精度。在目标进出场景或发生遮挡时，通过对多个目标进行二次匹配，可与相应历史目标进行精准关联，从而提高目标跟踪的准确性。

目录

声明

第1 章绪论

1.1课题背景及研究意义

1.2 国内外研究现状

1.2.1 深度强化学习与目标跟踪研究现状

1.2.2 监控视频目标跟踪存在的问题

1.3 本文主要研究内容及结构安排

第2 章目标跟踪的理论基础

2.1 监控视频预处理

2.2 粒子滤波理论基础

2.3 深度强化学习理论基础

2.4 多目标关联算法

2.5 本章小结

第3 章基于深度强化学习的监控视频单目标跟踪

3.1 引言

3.2 基于深度强化学习的监控视频单目标跟踪方法

3.2.1 单目标跟踪网络模型设计

3.2.2 改进的粒子滤波目标预测

3.2.3 自适应修正跟踪结果

3.3 网络模型训练

3.3.1 线下训练

3.3.2 在线微调

3.4 实验结果与分析

3.4.1 实验数据与评价指标

3.4.2 网络结构与参数讨论

3.4.3 实验结果与分析

3.5本章小结

第4 章基于二次关联的监控视频多目标跟踪

4.1 引言

4.2 基于二次关联的监控视频多目标跟踪方法

4.2.1 多目标跟踪网络模型设计

4.2.2 多目标关联

4.3 实验结果与分析

4.3.1 实验数据与评价指标

4.3.2 网络结构与参数讨论

4.3.3 实验结果与分析

4.4 本章小结

第5 章总结与展望

5.1 总结

5.2 展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文