智能监视中目标检测及跟踪算法研究

摘要

随着人们对于公共安全等问题的不断重视，视频监控被应用到越来越多的场景中，从而带来了海量的监控视频数据。传统人工处理的方式已逐渐不可行，我们迫切需要使用计算机来进行无人值守的智能视频监控。智能视频监控中涉及的关键技术有目标检测及目标跟踪，目标检测根据处理数据对象的不同又可以进一步分为运动目标检测以及目标检测。然而现实场景中由于噪音、光照变化等因素导致运动目标检测算法往往效果不佳;另一方面大部分的检测算法仍面临计算复杂度较高的问题;目标跟踪算法也面临着准确度有限、实时性不强等问题，我们需要寻找更好的解决方案。因此，对于智能监控领域中目标检测及跟踪算法的研究有着重要的理论意义与实用价值。
　　在这种背景下，本文主要进行了以下工作:
　　1.首先介绍了一些经典的运动目标检测算法，包括背景差分法、帧间差分法、光流法以及背景建模法，并分析了各种方法的优缺点。
　　2.重点研究了混合高斯模型(Gaussian Mixture Model，GMM)。GMM是一种很有效的背景建模模型，但是作为一种像素级建模算法，其检测结果存在“空洞”问题，本文在分析GMM以及深度卷积神经网络（Deep Convolutional NeuralNetwork，DCNN）的基础上，提出了一种基于深度编解码网络的运动目标检测算法，实验结果显示我们的算法不仅有效地解决了原GMM算法中的“空洞”问题，而且大幅度提高了算法的鲁棒性。
　　3.介绍了目标检测算法的一般流程，总结并分析了该类算法的关键点。面对当前基于深度学习的目标检测算法中计算复杂度较高的问题，我们引入了一种精确度较高且检测速度很快的目标检测模型Faster-RCNN(Regions with CNNfeatures)。
　　4.研究了现有的一些目标跟踪算法，本文在分析了通用目标跟踪的算法GOTURN(Generic Object Tracking Using Regression Networks)后使用感兴趣区域池化(Region of Interest Pooling，ROIPooling)对其改进提出了一种深度回归网络模型，有效地解决了目标跟踪问题，而且该模型很容易集成到现有的网络模型中。
　　实验表明，本文所研究的方法可以很好的应用智能视频监控系统中，并且这些方法可以提高系统的整体性能与效率。

目录

声明

摘要

第1章 绪论

1．2 关键技术研究现状

1．3 本文的主要工作及创新点

1．4 本文的组织结构

1．5 本章小结

第2章 运动目标检测

2．1 运动目标检测的基本方法

2．1．1 背景差分法

2．1．2 帧间差分法

2．1．3 光流法

2．1．4 背景建模法

2．2 基于深度编解码网络的运动目标检测算法

2．2．1 图像的特征表达

2．2．2 提出的算法

2．2．3 实验结果及分析

2．3 本章总结

第3章 目标检测关键技术

3．1 目标检测的一般流程

3．2 Faster-RCNN介绍

3．2．1 感兴趣区域池化(Region of Interest Pooling，ROIPooling)

3．2．2 区域建议网络(Region Proposal Network，RPN)

3．2．3 后处理步骤

3．3 目标检测实验结果

3．4 本章总结

第4章 目标跟踪关键技术

4．1 目标跟踪的一般流程及现有算法

4．2 GOTURN跟踪模型

4．3 基于感兴趣区域池化的目标跟踪算法

4．3．1 网络结构

4．3．2 训练网络

4．3．3 算法概述

4．3．4 实验结果及分析

4．4 本章总结

第5章 总结与展望

5．1 本文工作总结

5．2 未来工作展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果