智能監(jiān)視中目標檢測及跟蹤算法研究.pdf

1、隨著人們對于公共安全等問題的不斷重視，視頻監(jiān)控被應用到越來越多的場景中，從而帶來了海量的監(jiān)控視頻數(shù)據(jù)。傳統(tǒng)人工處理的方式已逐漸不可行，我們迫切需要使用計算機來進行無人值守的智能視頻監(jiān)控。智能視頻監(jiān)控中涉及的關(guān)鍵技術(shù)有目標檢測及目標跟蹤，目標檢測根據(jù)處理數(shù)據(jù)對象的不同又可以進一步分為運動目標檢測以及目標檢測。然而現(xiàn)實場景中由于噪音、光照變化等因素導致運動目標檢測算法往往效果不佳;另一方面大部分的檢測算法仍面臨計算復雜度較高的問題;目標跟蹤

2、算法也面臨著準確度有限、實時性不強等問題，我們需要尋找更好的解決方案。因此，對于智能監(jiān)控領域中目標檢測及跟蹤算法的研究有著重要的理論意義與實用價值。
　　在這種背景下，本文主要進行了以下工作:
　　1.首先介紹了一些經(jīng)典的運動目標檢測算法，包括背景差分法、幀間差分法、光流法以及背景建模法，并分析了各種方法的優(yōu)缺點。
　　2.重點研究了混合高斯模型(Gaussian Mixture Model，GMM)。GMM是一種很有

3、效的背景建模模型，但是作為一種像素級建模算法，其檢測結(jié)果存在“空洞”問題，本文在分析GMM以及深度卷積神經(jīng)網(wǎng)絡（Deep Convolutional NeuralNetwork，DCNN）的基礎上，提出了一種基于深度編解碼網(wǎng)絡的運動目標檢測算法，實驗結(jié)果顯示我們的算法不僅有效地解決了原GMM算法中的“空洞”問題，而且大幅度提高了算法的魯棒性。
　　3.介紹了目標檢測算法的一般流程，總結(jié)并分析了該類算法的關(guān)鍵點。面對當前基于深度學習

4、的目標檢測算法中計算復雜度較高的問題，我們引入了一種精確度較高且檢測速度很快的目標檢測模型Faster-RCNN(Regions with CNNfeatures)。
　　4.研究了現(xiàn)有的一些目標跟蹤算法，本文在分析了通用目標跟蹤的算法GOTURN(Generic Object Tracking Using Regression Networks)后使用感興趣區(qū)域池化(Region of Interest Pooling，ROIP