论文部分内容阅读
随着计算机技术的飞速发展、视频信息分析智能化时代的到来,对于视频目标跟踪的需求量日益增长。多目标跟踪技术在计算机视觉领域中有着重要的地位,其广泛应用于安防、军事、自动驾驶、交通监控等领域。多目标跟踪,即Multiple Object Tracking(MOT),主要任务中是在给定的一个图像序列中,检测识别出特定的目标,并标定出各个目标的运动轨迹。然而实际环境中往往存在着光线动态改变、目标遮挡、相机运动、对象和背景颜色相似以及杂乱背景等情况,它们都会增加多目标跟踪算法设计的难度。近五年来,随着目标检测效果的不断提高,tracking by detection的多目标跟踪算法渐渐成为主流。利用高精度的深度学习检测器来对图像进行检测识别,并将检测结果作为输入,通过数据关联的方法将相邻帧之间的目标匹配,从而得到目标的航迹。本课题着重对以深度学习为基础的目标检测技术、数据关联多目标跟踪方法和目标运动预测与遮挡处理进行了研究,提出了一种基于深度学习的数据关联多目标跟踪系统框架,提高了多目标跟踪精度和准确度,减少了漏检和误检。主要工作内容包括以下四个部分:1.根据以深度学习为基础的目标检测领域最新研究成果,对比分析高精度多目标检测算法,为多目标跟踪系统提供可靠的输入。2.对常用的数据关联的方法进行了总结,包括相邻帧之间的关联方法与多帧之间的关联方法。3.研究了基于深度学习的RPN网络,利用深度学习的检测器来预测目标位置,然后通过KM算法进行多目标数据关联,提高了数据关联的准确性。4.研究了在目标被短时间遮挡时的遮挡处理模型,通过卡尔曼滤波器来充当运动模型预测被遮挡目标下一帧的位置,结合孪生网络提取目标外观特征,并由KM算法来匹配被遮挡的目标。本文的主要创新体现在:(1)通过利用深度学习的检测器来作为跟踪器预测目标位置,再通过KM算法进行数据关联,有效的利用了高精度检测器提取的目标外观特征,提高了跟踪精度。(2)提出了一种处理目标遮挡的模型,通过结合孪生网络提取的特征和卡尔曼滤波器预测的位置,并利用KM匹配算法来处理跟踪轨迹中断和目标漏检的问题。