108090字博士毕业论文基于小轨迹关联的多人跟踪方法研究

论文类型：博士毕业论文

论文字数：108090字

论点：轨迹,跟踪,目标

论文概述：

本文是博士学位论文， 针对小轨迹构建的问题，本文提出了基于粒子滤波的自适应小轨迹构建方法。

论文正文：

简介

基于计算机视觉的视频目标跟踪近年来在计算机视觉领域越来越受到重视。尽管目标跟踪的目标非常简单，即在视频序列中保持相同目标的相同身份，但它是整个计算机视觉领域不可缺少的重要环节。计算机视觉的首要任务是希望计算机能够通过视觉传感器(光学摄像机等)理解和感知外部环境。)并获取外部环境的语义信息，以弥补人眼在特定环境中的不足，如易出现视觉疲劳、视觉死角等。在这些需要高级语义分析的计算机视觉领域，如人类行为分析、手势分析等。首先需要检测待分析的目标，然后进行跟踪，最后通过在连续的过程中从目标中提取相应的行为分析特征进行语义分析。从这个角度来看，目标跟踪技术在基于计算机视觉的整个视频语义分析中起着至关重要的作用。它将每个倾斜目标的检测结果关联起来，形成目标的唯一标识，进而保证在语义分析阶段对目标进行特征提取和分析。如果没有目标跟踪技术，我们就无法在复杂场景、目标遮挡等情况下保证目标的一致性和唯一性，从而无法有效提取视频序列中目标的特征和语义分析。然而，目前的研究重点也是场景中的多目标跟踪。场景中多目标之间的相互遮挡是一个非常困难的问题。它不仅影响目标跟踪的准确性，还影响后续视频智能分析和理解方法的应用。
...

2基于小航迹关联的多人跟踪方法概述

2.1研究框架
本文基于小航迹关联的多人跟踪方法总体研究框架如图所示。在图2.1中，大致有四个模块:行人检测阶段、小轨迹构建阶段、小轨迹特征提取阶段，最后是小轨迹相关阶段。其中，行人检测可以用以前的方法解决，检测结果作为本文的数据输入。行人检测是多人跟踪的重要环节。因为在多人跟踪中，随着行人的移动，视频序列中的行人可以随时走出场景，而新的行人可以随时走进场景，即场景中的行人数量随时变化。通过行人检测技术，可以随时获取场景中可见目标的数量，使跟踪算法能够适应目标数量的变化。接下来，我们将介绍本文关注的三个模块。图2.1中的黑盒是本文的工作。

2.2多人跟踪测试集简介
CLEAR-MOT标准基于整个视频计算所有轨道中所有目标的平均错误率，而不是单独计算每个轨道的完整性。如果目标轨迹长，即连续倾角的数量大，则它在整个跟踪样本中的比例将相对大。一旦出现跟踪误差，将对整个系统的评估产生更大的影响，而轨迹较短的目标对整个数据集的影响较小，即使由于帧的数量较少而完全丢失。然而，这些标准不一定符合客观规律。对于每一个轨道，不管它有多长或多短，都应该是相同的，也就是说，它在结果中应该有相同的比例。文献提出了一种基于轨迹的标准，该标准通过相对于轨迹的真实值和在每个轨迹的跟踪过程中出现的跟踪误差来评估要跟踪的每个轨迹的完整性，从而评估整个多人跟踪方法的性能。在最终评估结果中，无论轨迹的长度如何，每个轨迹对最终性能的贡献都是相同的。本评价标准主要包括以下几个方面。基于粒子滤波的

3自适应小轨迹构建方法……31
3.1粒子过滤原理……31
3.2小轨迹构造……37
3.3实验结果……43
4小轨迹时间空视在模型……45
4.1简介…… 45
4.2小时空表观模型……47
5基于运动特征和时间空表观特征的小轨迹关联方法…… 59
5.1简介…… 59
5.2基于目标运动预测的模糊搜索策略…… 60
5.3小时空表观模型的自适应选择算法…… 66 [ 6基于小轨迹关联的多人跟踪方法的实现和性能分析

6.1基于小轨迹关联的多人跟踪方法的实现
我们使用了文献中使用的检测结果，这些检测结果也在文献中广泛使用。 对于S2L1数据集，我们使用文献中使用的检测结果。使用这些检测结果而不是训练行人检测分类器的原因是，在后续的性能比较实验中，相同的行人检测结果被用作输入数据，使得比较结果更加公平合理，从而避免了行人检测器性能不均匀导致多人跟踪方法的性能变化。

6.2实验设置
本节将展示视频数据库、验证方案、评估标准等。用于实验。最后，S2L1数据集的视频持续时间和真值轨迹的数量明显小于上述三个数据集，其特征在于场景中行人在视野中的移动时间更长。由于长期运动，其相对于摄像机的视在视角也在不断变化，例如，首先面向摄像机，然后背向摄像机，等等。此外，由于在场景中漫游时间较长，同一目标经常会经历多个遮挡过程，包括半遮挡、完全遮挡等。因此，尽管S2L1数据集的真实轨迹值总数不大，但由于其运动轨迹持续时间长，同时出现在场景中的行人数量将达到7至8人，并且存在多次相互遮挡，这也给多人跟踪算法带来了一定的挑战。这些方法都是基于小航迹关联的多人跟踪方法，是近年来发表的热门学术论文之一。它们代表了当前学术领域在小轨迹跟踪方面的领先成就。他们的算法内容已经在目前的研究情况下进行了描述，这里不再重复。在这里，我们将比较本文提出的方法的最佳性能和当前研究方法的最佳性能。
……

7[概述和展望/br/]

目标跟踪是计算机视觉领域的一个热点研究课题。其主要任务是连续跟踪视频序列中的同一目标，并保持其在视频序列中的身份不变。根据目标跟踪的结果，可以对目标的运动模式进行语义分析。本文主要介绍行人多人跟踪算法的研究。由于人首先是非刚性物体和智能生物，他们在场景中的运动是多种多样的，多人跟踪需要处理复杂的遮挡问题，因此跟踪更加复杂。由于近年来行人检测技术的快速发展，基于行人检测的基于小轨迹相关的多人跟踪理论框架得到了快速发展，成为同时跟踪多个行人的有效方法。本文研究了基于小轨迹关联的多人跟踪理论框架中的三个重要模块，包括小轨迹构造、行人表观模型表示、小轨迹关联方法，并提出了不同于以往方法的新思路。本文的工作和创新贡献如下:
1。针对小轨迹构建问题，提出了一种基于粒子滤波的自适应小轨迹构建方法。粒子滤波方法被集成到小轨道结构中。与传统的基于相邻检测结果相关性的小轨道施工方法相比，该方法可以改善行人检测器缺失或错误检测造成的小轨道施工中断，避免小轨道不必要的中断。我们使用粒子滤波的后验分布来描述小轨迹构造的可靠性。当小轨迹的检测结果没有更新，并且粒子滤波器的后验分布与最近一次表观更新后描述的表观分布的表观偏差时，小轨迹将被终止。由于添加了粒子滤波的小轨迹构建方法使得构建的小轨迹更加稳定可靠，避免了小轨迹关联中容易混淆的关联匹配，从而在一定程度上提高了多人跟踪的性能。
……

参考文献(省略)