论文部分内容阅读
运动目标检测与跟踪问题是计算机视觉领域研究的热点问题,在智能视频监控、虚拟现实、公共安全等领域有重要的应用价值,同时对计算机视觉的其他范畴也有着推动的作用。然而,运动目标所处环境的复杂性以及运动目标自身的不确定性给运动目标检测与跟踪任务带来了很大的挑战。传统的基于手动提取特征的检测与跟踪方法的泛化能力较差,不能满足复杂运动场景下目标检测与跟踪的需要。本文将深度学习用于运动目标的检测与跟踪任务中,利用深度学习提取目标的高层抽象特征,提高检测与跟踪方法的泛化能力。本文完成的主要工作如下:(1)针对运动目标检测任务中背景存在扰动的情况,提出了一种基于深度学习与局部二值相似模式的运动目标检测方法(DSGMD)。线下训练堆栈式降噪自编码网络,用于提取背景模型与当前视频帧的高层抽象特征,判别当前视频帧中的背景与包含有运动目标的前景,在一定程度上过滤背景扰动噪声。对于判定为前景的部分,结合灰度值和局部二值相似模式编码,判断每一个像素点是否属于运动目标,实现运动目标检测。实验表明DSGMD算法在量化的评价指标上与对比算法相比均有明显提升。对于进行实验的视频序列,DSGMD 算法的 F-Measure 与对比算法 GraphCutDiff、RMoG、MST相比,分别提升了 97.4%、36.7%、14.60%%,PWC分别降低了 71.5%、55.10%、49.9%。(2)针对运动目标跟踪任务中运动目标尺度存在变化的情况,提出了一种基于尺度不变性与深度学习的运动目标跟踪方法(SMS-DLT)。利用堆栈式降噪自编码网络自动学习目标的高层抽象特征,结合具有尺度不变性的SURF特征,提高了复杂运动场景下目标跟踪的准确度,进一步强化了 SMS-DLT算法对尺度变化运动目标跟踪的鲁棒性。在运动估计过程中,利用均值漂移对粒子滤波的跟踪结果进行验证和修正,进一步提高了运动目标跟踪的准确性。实验结果表明SMS-DLT算法与对比算法相比获得了更好的跟踪效果。与DLT相比平均中心点误差减小了 56.7%,成功率增大了 27.6%;与So-DLT相比平均中心点误差减小了 10.6%,成功率增大了 3.8%。(3)针对运动目标跟踪任务中存在的尺度、光照变化以及形变等情况,提出了一种基于混合特征的运动目标跟踪方法(SoH-DLT),综合考虑运动目标的轮廓特征与细节特征。利用方向直方图对尺度和光照变化以及形变的不敏感性,充分描述候选样本的轮廓特征;利用深度神经网络提取高层抽象特征,并用SURF特征对深度神经网络的参数进行修正,结合SURF特征与深度学习获得的高层特征,充分描述候选样本细节。实验结果表明,SoH-DLT算法在客观指标评价上与对比算法相比均有了较大的提升,SoH-DLT算法与未引入方向直方图的DLT算法相比,平均中心点误差减小了 3.6个像素点,成功率增大了 20.8%。(4)设计并实现了基于深度学习的运动目标检测与跟踪系统。主要功能模块包括视频序列预处理模块、运动目标检测模块和运动目标跟踪模块。视频序列预处理模块的功能主要有灰度处理以及真值标注等;运动目标检测模块的功能主要有运动目标实时检测与检测效果评价等;运动目标跟踪模块的功能主要有运动目标实时跟踪与跟踪效果评价等。运动目标检测的评价指标主要包括召回率、准确率、错误率等,运动目标跟踪的评价指标主要有中心点误差、覆盖率、成功率等,验证了所提算法的有效性。