视频多目标跟踪算法的研究和实现

论文摘要

进入19世纪以来,随着计算机技术的快速发展,各种雷达、红外、声纳、电视、激光和视频等目标跟踪技术不断发展并且日趋完善。其中视频目标跟踪技术作为计算机视觉领域的热门课题之一,已经被广泛应用在了智能交通、人机交互、视频监控、行为分析等诸多领域。视频目标跟踪系统大体上可以分为单目标跟踪和多目标跟踪两类,本文主要研究了视频多目标的跟踪问题。这是一项极具挑战性的任务,在多个目标的跟踪过程中,必须对航迹起始、航迹终结、航迹维护、数据关联、目标之间相互遮挡等问题进行处理。首先,本文提出了一个整合的框架对多目标进行跟踪,此算法有别于传统的基于检测的多目标跟踪算法。系统首先利用基于稀疏表示和C1最小化的单目标跟踪算法对视频中多个目标分别进行跟踪。单目标跟踪器的初始化和定期更新所用到的测量数据源于检测算法。然后将单目标跟踪器产生的航迹作为全局分层关联多目标跟踪系统中等层次的输入,利用全局分层关联的多目标跟踪算法产生更长、更准确的目标航迹。其次,本文提出了一种在线的基于检测的多目标跟踪算法。根据从相邻的目标、场景遮挡物以及目标运动的方向获得的线索,将目标池中的目标分为三类：活跃的目标、不活跃的目标、消失的目标。活跃的目标用帧与帧之间数据关联算法进行跟踪：不活跃的目标用面向航迹的假设跟踪算法对其进行跟踪；对于消失的目标,停止跟踪,并将其从目标池中删除。最后,应用MATLAB仿真工具对本文提出的基于稀疏表示和全局分层关联的多目标跟踪算法和线索驱动在线多目标跟踪算法进行仿真。两种算法在多目标跟踪通用数据库CAVIAR和i-Lids AB上均表现出一定的鲁棒性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题背景及意义
• 1.2 多目标跟踪算法发展概述
• 1.3 视频多目标跟踪系统的基本原理及难点
• 1.4 现代视频多目标跟踪算法的总结
• 1.4.1 基于帧与帧之间数据关联的多目标跟踪算法
• 1.4.2 基于全局数据关联的多目标跟踪算法
• 1.5 本文的主要工作及结构安排
• 2 基于稀疏表示和分层数据关联的多目标跟踪
• 2.1 引言
• 2.2 目标检测
• 1最小化的单目标跟踪算法'>2.3 基于稀疏表示和θ₁最小化的单目标跟踪算法
• 2.3.1 粒子滤波
• 2.3.2 跟踪目标的稀疏表示
• 1最小化求解'>2.3.3 θ₁最小化求解
• 2.3.4 模板更新
• 2.4 全局分层关联的多目标跟踪
• 2.4.1 低等层次数据关联
• 2.4.2 中等层次数据关联
• 2.4.3 高等层次数据关联
• 2.5 多目标跟踪算法的设计
• 2.5.1 单目标跟踪器的起始
• 2.5.2 模板更新
• 2.5.3 单目标跟踪器的重新初始
• 2.5.4 一致性检查
• 2.5.5 申请运行检测算法
• 2.5.6 航迹融合
• 2.6 本章小结
• 3 线索驱动在线多目标跟踪
• 3.1 引言
• 3.2 马尔科夫模型及目标起始化
• 3.2.1 卡尔曼滤波
• 3.2.2 目标自动起始化
• 3.3 线索学习
• 3.3.1 类内目标遮挡线索学习
• 3.3.2 场景遮挡物线索学习
• 3.3.3 目标移动方向线索学习
• 3.4 帧与帧之间数据关联
• 3.4.1 检测值判定
• 3.4.2 检测值转化
• 3.4.3 检测值关联
• 3.5 面向航迹多假设跟踪
• 3.5.1 多假设跟踪
• 3.5.2 简化的面向航迹的MHT算法
• 3.5.3 连接概率
• 3.5.4 不活跃目标的生命值
• 3.6 本章小结
• 4 实验结果与分析
• 4.1 基于稀疏表示和全局分层关联的多目标跟踪的实验结果和分析
• 4.2 线索驱动在线多目标跟踪的实验结果和分析
• 4.2.1 数据库CAVIAR上的跟踪结果和分析
• 4.2.2 数据库i-Lids AB上的跟踪结果和分析
• 4.3 本章小结
• 5 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
• 攻读硕士学位期间发表学术论文情况
• 致谢