论文部分内容阅读
随着信息时代的高速发展,采用计算机理解图像语义信息的需求也越来越多,目标跟踪作为理解深层语义信息的基础也成为计算机视觉领域的一个具有吸引力和挑战性的研究方向。当前目标跟踪技术在智能交通、安防监控、人机交互等领域有着广泛的应用空间,具有较高的研究意义和实用价值。在实际应用中,基于单摄像头的目标跟踪系统存在跟踪视野有限、跟踪角度单一、难以解决目标遮挡等问题,基于多摄像头的目标跟踪系统则可以较好的解决这些问题而成为研究的热点。本文的研究内容主要包含三个方面,分别是目标检测、单摄像头目标跟踪以及多摄像头协同的目标跟踪。目标检测是后续跟踪的基础和前提,单摄像头目标跟踪在目标检测的基础之上对镜头范围内的目标进行跟踪,多摄像头协同的目标跟踪在单摄像头目标跟踪的基础上,融合多个摄像头的信息实现对目标长时间、多角度的跟踪。本文的主要研究内容如下:(1)采用当前较为流行的、基于卷积神经网络的目标检测算法Faster RCNN进行目标检测,并将该算法与基于人工选择特征的检测算法DPM(Deformable Parts Model)进行实验对比,实验结果表明,相对于人工选择特征,使用卷积神经网络方法获得的特征匹配更为准确,应用Faster RCNN算法在复杂背景和目标被遮挡情况下可获得更好的检测效果。(2)在目标检测的基础上,提出了一个在线的目标跟踪框架。该框架使用Kalman滤波器来预测和更新目标的状态。对于单目标跟踪而言,通过计算检测目标与被跟踪目标间的相似度,将检测目标和被跟踪目标关联起来,完成目标跟踪。对于多目标跟踪,则计算检测目标与被关联目标间的相似度构建关联矩阵,通过匈牙利算法来建立检测目标和被跟踪目标间的一一对应关系。为了高效地对目标建立准确、鲁棒的模型,本文提出了将目标间交叠率和改进的空间颜色直方图相融合的目标模型。在多目标跟踪中,本文提出了遮挡预测方法,用于解决目标间的短时相互遮挡问题。(3)针对多摄像头环境中的目标匹配,研究了两种不同情况下的匹配算法。在摄像头有视野重叠的情况下,采用SIFT特征点来计算单应性矩阵进而将两个摄像头的信息进行融合,解决目标遮挡问题。针对无重叠视野情况,提出将SIFT特征、改进的空间颜色直方图特征相结合的方法对目标建模来进行目标匹配,本文提出的多摄像头环境下的目标跟踪可以实现较大范围的目标跟踪,能较好地解决目标遮挡问题。