导读:本文包含了多摄像机跟踪论文开题报告文献综述及选题提纲参考文献，主要关键词:多摄像机,深度学习,目标检测,目标跟踪
多摄像机跟踪论文文献综述
王亚萌[1]（2019）在《基于深度学习的多摄像机目标交接跟踪技术研究》一文中研究指出智能监控技术的应用为视频监控系统带来了真正意义的变革,特别是运动目标检测与跟踪等计算机视觉算法的提出,极大的节省了人力和物力。随着视频安防产业的迅速发展,视频监控系统的规模也随之扩大,单摄像机监控视域小和信息不连续的缺点日益显现。多摄像机监控正好可以弥补单摄像机的局限性,多摄像机下智能监控视频分析技术成为新的研究方向。尤其是在室内人员密集的环境中,多摄像机非重迭视域下运动目标的连续跟踪一直是计算机视觉领域的研究重点和难点。本文充分利用监控视频产生的巨大数据量,基于深度学习对多摄像机多运动目标的交接和跟踪技术进行研究。1、单摄像机下运动目标检测和跟踪算法的性能,对多摄像机运动目标的连续跟踪有重要影响。因此,为实现多摄像机运动目标的精确交接与跟踪,首先要保证单摄像机运动目标检测算法的性能。针对室内监控环境中人员密集易遮挡的问题,根据监控摄像机监控视角的特点,选取人脸作为目标检测对象。同时为提高室内环境下人脸检测的精度,基于级联卷积神经网络MTCNN建立人脸检测模型,并利用监控视频中的海量数据对人脸检测模型进行训练。实验表明,该模型对室内监控视频中的人脸检测检测精度高达96%以上,能够很好的满足本文对运动目标检测精度与实时性的要求。2、在人脸检测的基础上,对室内单摄像机下多运动目标跟踪的要点和难点进行分析。为提高多运动目标的跟踪算法的性能,将MTCNN和卡尔曼滤波相结合,充分发挥级联卷积神经网络的特点。首先通过卡尔曼滤波对运动目标的运动状态进行预测;然后使用MTCNN的子网络对目标预测区域进行检测,从而确定人脸框的位置;最后通过人脸框的重迭度实现运动目标间的关联匹配。实验表明,结合MTCNN和卡尔曼滤波可以有效的实现摄像机下多运动目标的精确跟踪。3、多摄像机运动目标交接一直是计算机视觉领域的研究难点,尤其在非重迭视域下,运动目标的不连续性和不确定性使目标交接更加困难。结合本文运动目标检测与跟踪的具体需求,根据特征匹配的特点将人脸作为运动目标交接的对象。为获得更加精确的人脸特征,基于深度卷积神经网络构建人脸特征提取模型。为提高人脸匹配的准确率,采用两种相似度度量方法进行比较,选取最优的人脸相似度度量方法进行人脸匹配。实验表明,深度卷积网络可以精确的提取到运动目标的人脸特征,有效的完成多摄像机下运动目标的交接跟踪任务。(本文来源于《山东建筑大学》期刊2019-06-01）
赵凌[2]（2019）在《地铁站出入通道多摄像机移动目标跟踪研究》一文中研究指出为及时发现、预警、防控进入地铁站的可疑人员及其行为,实现多摄像机之间的移动目标传递十分关键。为此,以行人进站乘车的必经之路——地铁站出入通道为背景,以安装其间的相邻2台摄像机的监控图像为研究对象,选用ViB e算法针对2台固定有效监测视域且无重迭区域的摄像机建立移动目标背景检测模型。当有行人出现时,建立移动目标模板,从行人的移动方向、身高宽度比、行走速度、空间颜色直方图4个方面实施特征匹配。实验结果表明:在2台摄像机之间顺利实现了对行人的移动目标传递和轨迹跟踪,跟踪准确率高于在单摄像机上直接使用SIFT算法。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年05期）
赵长飞[3]（2019）在《高效实时的双目摄像机跟踪和在线叁维重建》一文中研究指出基于双目摄像机的实时跟踪与在线叁维重建是计算机视觉领域的一个重要研究课题。当前越来越多的移动终端配备了双目摄像头,尤其是近年来增强现实应用的兴起,实现基于双目摄像头的高效稳定的同时定位与地图构建变得非常有实用价值。在摄像机的实时跟踪中,如何得到高质量的特征匹配以及有效减少累积误差是两个非常关键的问题。我们针对这两个问题设计了一个高效实时的双目摄像机跟踪系统,并且在此基础上结合立体匹配和深度融合技术,实现了在线的叁维重建。本文的主要贡献如下:1)充分利用双目摄像头可以直接通过立体匹配直接恢复深度的特点以及挖掘场景内在的平面结构,提出了一种使用运动预测和多平面拟合来提高特征匹配的成功率和稳定性。2)提出使用一种基于缩略图的颜色直方图度量和图像对齐的方法,可以实现鲁棒的重定位,从跟踪丢失的状态中迅速恢复回来。对于回路闭合,使用与重定位类似的方法,搜索与当前帧相似度高的历史关键帧作为候选帧,使用关键帧相似度向量匹配的方法进行回路闭合,从而减少或消除误差累积。3)基于摄像机实时跟踪,提出进一步使用立体匹配方法恢复关键帧的深度图,并对深度图进行在线融合,从而实现在线的叁维几何重建。(本文来源于《浙江大学》期刊2019-01-14）
石亚玲,刘正熙,熊运余[4]（2018）在《多摄像机跨区域目标跟踪》一文中研究指出面对众多摄像头形成的庞大而又复杂的监控网络,单目摄像机下的视频分析已经不能满足人们的需求,如何从海量监控数据中查找有用的信息,完成不同摄像机间目标一致性的判定成为当前亟需解决的问题。提取多场景图像的SIFT特征计算视场分界线(FOV);再将目标图像坐标点转换为地理坐标并结合多概率联合的方法进行跨区域跟踪。通过实验结果表明,以上算法为感兴趣目标的长期稳定跟踪提供很好的解决办法。(本文来源于《现代计算机(专业版)》期刊2018年02期）
梅力[5]（2018）在《多摄像机无重迭视域的行人跟踪算法研究》一文中研究指出随着社会的发展,人们对安全的需求日益增长,使得视频监控系统遍布于社会生活的各种场合。在分布广泛的摄像机监控网络中,试图通过人工的方式识别可疑目标并实现连续跟踪显得不切实际。在社会需求的推动下,目标跟踪与交接技术不断被人们研究。针对目标跟踪与交接存在的光照变化、目标形变、遮挡等情况,大量的目标跟踪与交接方法被不同的学者提出。在目标跟踪领域,基于在线提升的目标跟踪将跟踪看成目标和背景的分类问题,而基于相关滤波器的目标跟踪则利用相关性实现目标跟踪,其中最小平方误差和输出滤波器(Minimum Output Sum of Squared Error Filter)与核相关滤波器(Kernelized Correlation Filter)是两种典型的滤波器模型。本文首先研究基于在线提升的目标跟踪以及基于MOSSE滤波器的目标跟踪,然后针对核相关滤波的缺陷提出改进的方法。在MOSSE滤波器方面,原有的基于灰度模板的MOSSE滤波器被研究,然后将灰度特征改为HOG特征,提出了基于HOG特征的MOSSE滤波器并实现目标跟踪。在核相关滤波(KCF)方面,其跟踪性能受以下因素影响而变差:1)由于核相关滤波依赖样本的循环性,而目标形变、旋转等将破坏循环性;2)当目标快速运动或发生遮挡时,实际跟踪的目标将不包含于循环移位构成的候选目标集合。本文针对上述因素,引入加权HSV直方图重检测策略,并应用一种有效的尺度估计方法,改进了原有的核相关滤波的跟踪性能。最后,在公开的数据集OTB50和VOT2014上测试了本文改进方法的有效性。测试结果表明,本文改进的方法在OPE、TRE和SRE上的评估结果均优于原有的KCF目标跟踪方法。在目标交接领域,基于目标外观模型与基于目标外观模型和时空约束关系的混合模型的目标交接是研究的重要方向。其中,基于目标外观模型的目标交接又可称为目标再确认。在实际环境中,大量的摄像机离散地分布于各种关键位置,但仍然存在诸多监控盲区,即构成无重迭视域。由于摄像机视域之外的区域往往范围较大且场景复杂,时空约束关系存在较大的不确定性。另外,不同监控网络的时空约束关系存在差异。因此,基于混合模型的目标交接难以具备普适性。在基于目标外观模型的目标交接中,通过学习目标模型或度量函数的方法需要训练样本同样难以具备普适性。因此,本文研究目标的特征描述来建立目标模型并使用距离度量函数计算两个目标之间的距离来实现无重迭视域的摄像机之间的目标交接,以实现目标在监控网络范围内的连续跟踪。在本文的研究中,对数空间直方图、协方差描述子和分层高斯描述子(GOG特征)被联合用于建立目标模型。在目标模型建立与识别的过程中,行人目标根据其外观特点被分割成头部、躯干和腿部以实现分块特征描述,然后分块距离加权求和的方式被用于计算行人之间的距离,最终根据行人之间的距离识别不同摄像机下的相同行人。在数据集VIPeR上,本文提出的行人目标交接方法的有效性得到了验证。实验结果表明,相比于SDALF方法和ELF方法,本文提出的方法取得了更高的识别率。(本文来源于《浙江理工大学》期刊2018-01-15）
苏晋鹏,葛亚鸣,魏嫚,陈秀梅,王鹏飞[6]（2017）在《基于多摄像机协同的异常行为目标检测、跟踪与再识别》一文中研究指出当今,人口密集度不断增大,人的活动范围也越来越大,面临的突发事件和异常事件也越来越多,对一些不允许人和车辆靠近或进入的区域进行准确的监控并实施报警的重要性和难度也越来越突出,尤其对大型人群集散地,如博物馆、动物园、军事、监狱等禁区,往往难度更大。近年来,随着公共安全问题的日益突出、高性能微处理器的推陈出新、视频分析技术的不断发展,视(本文来源于《物联网与无线通信-2017年全国物联网技术与应用大会和2017年全国无线电应用与管理学术会议论文集》期刊2017-12-01）
陈佳迎[7]（2017）在《非重迭视域多摄像机目标跟踪方法研究》一文中研究指出随着安防技术的迅速发展,生活场所中摄像机数目不断增加,监控覆盖区域也逐渐扩大。如何在大范围摄像机监控视域内实现运动目标连续跟踪的难题应运而生。不同于单摄像机的是多摄像机视域中光照、目标姿势和摄像机属性等因素更具复杂性,尤其在非重迭视域下目标的运动在时空上都是离散的,为多摄像机目标跟踪带来了巨大挑战。本文对非重迭视域多摄像机目标跟踪方法展开深入研究。1)要想实现大范围多摄像机视域内的目标连续跟踪,首先需要进行单摄像机下的目标检测与跟踪。为了更加完整的获取目标区域,设计了一种基于小波变换的混合高斯背景建模检测方法。利用小波变换去除噪声使目标信息更加清晰,然后建立混合高斯背景模型提取目标。实验表明该方法相比于其他常用的检测方法具有更高的准确性。在跟踪阶段,为了改善TLD算法实时性差、对光线突变敏感等问题,提出基于Kalman滤波的TLD目标跟踪方法。用Kalman滤波器代替TLD中的光流法成为新的跟踪器,在跟踪过程中利用TLD中检测器的结果更新跟踪器。最后综合跟踪器和检测器实现目标定位。实验表明本方法相对于TLD算法来说具有更高的实时性和准确性。2)为了减少摄像机视域之间不重迭而造成的时空差异,设计了一种基于高斯和互相关函数的拓扑估计方法来获取摄像机之间的时空关系。该方法利用单摄像机目标检测与跟踪方法来确定拓扑结点。根据多个时间窗口内的平均互相关函数估计结点之间的连接关系,降低噪声干扰。最后利用高斯分布描述每条连接上的转移时间概率分布,使拓扑关系更加稳定。实验表明本方法在不需要事先获取摄像机间连接关系的情况下,能准确估计出摄像机网络的拓扑关系。3)首先为了消除摄像间光线的差异,提出基于累积颜色属性转换模型的目标匹配方法。利用多张图像学习累积颜色属性转换模型,将不同摄像机视域内的图像进行颜色转换,缩小了不同视域内同一目标的表观差异。实验表明该方法显着提高了目标的识别率。其次,为了度量不同摄像机下目标的相似性,采用基于SIFT特征的目标匹配方法,先提取SIFT描述子建立表观模型,然后给出基于序列的目标匹配策略计算匹配度,使匹配结果更加可靠。实验证明该方法能够准确的在摄像机间进行目标匹配。4)为了实现最终的非重迭视域下的目标连续跟踪,提出一种基于拓扑关系和表观模型相融合的目标关联方法。将拓扑关系、表观模型和匹配策略融合到目标关联方法的框架中。首先根据拓扑关系确定候选目标集,利用累积颜色属性转换模型处理不同视域下光线突变的问题,然后建立表观模型,利用基于序列的匹配策略度量目标的相似性,将不同视域内的运动轨迹进行关联。该方法减少了目标关联的计算量,并提升了准确性。(本文来源于《西安科技大学》期刊2017-06-01）
侯红娜,徐凯凯[8]（2017）在《商场云台摄像机跟踪控制策略及实现的研究》一文中研究指出如今,商场的监控系统由监控人员盯着屏幕。当发现可疑分子,可疑分子需要跟踪的操纵杆。当目标分子远离镜头,监控人员需要手动调整变倍系数,目标锁定在一个固定大小的屏幕上。这个过程中监控人员跟踪可疑分子,可能会有人工错误。本文的智能商场云台的监控系统,通过监视人员选择选择可疑分子,控制PTZ旋转和缩放锁定可疑分子总是在屏幕的中心,可以自动减少,扩大屏幕,大大提高一个监测效率。(本文来源于《科技风》期刊2017年09期）
王标[9]（2017）在《多摄像机目标跟踪算法研究与实现》一文中研究指出伴随着近些年计算机视觉的飞速发展,在安防领域,人们对视频监控的智能化要求越来越高。传统的固定式单摄像机因为其监控范围的局限性以及针对特殊目标监控的灵活性等问题,已经渐渐地不能满足很多场合的监控需要。而多摄像机联合的监控系统可以弥补单摄像机监控的很多问题,包括视野范围的局限性、目标间的遮挡、目标的持续性跟踪以及叁维定标等。本文旨在通过算法研究构建一个既能实现大范围场景的全局监控又能针对感兴趣目标进行实时主动跟踪及特写抓拍的多摄像机监控系统,达到“看得广”和“看得清”兼得的目的。其中“看得广”由重迭视野下多摄像机目标接力跟踪来实现,“看得清”则由对PTZ(云台可转、镜头焦距可变)摄像机云台的智能控制来实现。论文的主要研究内容如下:(1)提出了一种改进的Vibe运动目标检测算法,可有效克服经典算法中的鬼影(ghost区域)和阴影问题。根据鬼影静止的特点,将当前帧建模所得的目标检测结果与上一帧建模所得的目标检测结果进行帧差,达到去除鬼影的目的;根据HSV空间下目标阴影的特性,把传统的对图像灰度分量建模替换为对图像HSV空间下S(饱和度)分量进行建模,达到去除阴影的目的。最终利用检测所得到的blob(像素团)信息结合卡尔曼滤波器来完成对多个运动目标的实时跟踪。(2)提出了一种融合坐标约束和颜色特征匹配的目标交接算法,实现重迭视野下多摄像机间更加稳定的目标交接。首先采用SIFT(尺度不变特征变换)算法结合感兴趣区域的方法来得到更加准确的摄像机间单应矩阵,仅仅保留感兴趣区域的SIFT特征点对,再进行下一步的RANSAC(随机抽样一致性)算法筛选,最终得到单应矩阵。当某一摄像机内出现待交接目标,首先根据单应矩阵计算出目标在另一摄像机内的坐标范围,若该坐标范围内多于一个目标,再使用目标颜色直方图进行进一步匹配,一定程度上避免了因为多个目标太过接近等原因导致的目标交接二义性。(3)构建了一个多摄像机跟踪系统,在基于目标交接的多摄像机静态监控系统中,引入了基于PTZ摄像机的动态特写机制。首先将静态监控网络的监控场景网格化,然后通过PTZ摄像机的预置位功能完成其与静态监控网络之间的位置标定,使得PTZ摄像机能够在任意时刻快速找到全局监控场景中的异常行为目标(可根据目标连续性跟踪轨迹来自动判定),随后利用主动跟踪算法使得目标始终处于视野中央,实现对感兴趣目标的精准特写。(本文来源于《武汉理工大学》期刊2017-05-01）
邵建荃[10]（2017）在《非重迭场景下多摄像机车辆跟踪研究》一文中研究指出目标跟踪是机器智能领域研究的一大研究方向。近年来,多摄像头的协同跟踪是跟踪研究的一大热点。实现一个简单的非重迭场景下的多摄像头跟踪框架。可以实现自动检测前景目标,并在两个摄像头间保持目标身份的同一性。具体来说前景检测模块实现混合高斯模型背景建模。在对多目标跟踪模块基本实现对出现的前景目标的识别与跟踪。对跟踪过程中出现的阴影、遮挡问题应用相应的解决方法,取得实际效果。对多目标匹配过程中特征的选取和时间信息的综合利用做尝试。尝试使用颜色直方图与SURF特征以及时间信息相结合的特征匹配方法。在活动分析过程中分析两摄像点间车辆的速度。该方法也可以用于对一个交通系统中长距离行驶的车辆进行跟踪,可以测量点对点的交通参数。(本文来源于《现代计算机(专业版)》期刊2017年02期）
多摄像机跟踪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为及时发现、预警、防控进入地铁站的可疑人员及其行为,实现多摄像机之间的移动目标传递十分关键。为此,以行人进站乘车的必经之路——地铁站出入通道为背景,以安装其间的相邻2台摄像机的监控图像为研究对象,选用ViB e算法针对2台固定有效监测视域且无重迭区域的摄像机建立移动目标背景检测模型。当有行人出现时,建立移动目标模板,从行人的移动方向、身高宽度比、行走速度、空间颜色直方图4个方面实施特征匹配。实验结果表明:在2台摄像机之间顺利实现了对行人的移动目标传递和轨迹跟踪,跟踪准确率高于在单摄像机上直接使用SIFT算法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多摄像机跟踪论文参考文献
[1].王亚萌.基于深度学习的多摄像机目标交接跟踪技术研究[D].山东建筑大学.2019
[2].赵凌.地铁站出入通道多摄像机移动目标跟踪研究[J].重庆理工大学学报(自然科学).2019
[3].赵长飞.高效实时的双目摄像机跟踪和在线叁维重建[D].浙江大学.2019
[4].石亚玲,刘正熙,熊运余.多摄像机跨区域目标跟踪[J].现代计算机(专业版).2018
[5].梅力.多摄像机无重迭视域的行人跟踪算法研究[D].浙江理工大学.2018
[6].苏晋鹏,葛亚鸣,魏嫚,陈秀梅,王鹏飞.基于多摄像机协同的异常行为目标检测、跟踪与再识别[C].物联网与无线通信-2017年全国物联网技术与应用大会和2017年全国无线电应用与管理学术会议论文集.2017
[7].陈佳迎.非重迭视域多摄像机目标跟踪方法研究[D].西安科技大学.2017
[8].侯红娜,徐凯凯.商场云台摄像机跟踪控制策略及实现的研究[J].科技风.2017
[9].王标.多摄像机目标跟踪算法研究与实现[D].武汉理工大学.2017
[10].邵建荃.非重迭场景下多摄像机车辆跟踪研究[J].现代计算机(专业版).2017