基于動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)研究.pdf

1、目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)熱點(diǎn)課題，在交通情況監(jiān)控、室內(nèi)安全防護(hù)、公共安全預(yù)警等領(lǐng)域的應(yīng)用極其廣泛，該課題研究需要結(jié)合圖像處理和模式識(shí)別相關(guān)知識(shí)。傳統(tǒng)的檢測(cè)與跟蹤算法使用人工特征提取方法獲取目標(biāo)特征，但是由于實(shí)際應(yīng)用中存在背景環(huán)境的復(fù)雜多變以及動(dòng)態(tài)背景情況，上述算法存在諸多不足，極大限制了應(yīng)用范圍。
　　本文基于國(guó)內(nèi)外目標(biāo)檢測(cè)與跟蹤領(lǐng)域的研究現(xiàn)狀，總結(jié)了目標(biāo)檢測(cè)與跟蹤算法框架模型，針對(duì)傳統(tǒng)目標(biāo)檢測(cè)與跟蹤算法準(zhǔn)確率低、魯棒

2、性較差的缺點(diǎn)，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與跟蹤方法。同時(shí)為了解決現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)與跟蹤算法存在網(wǎng)絡(luò)模型過于復(fù)雜以及訓(xùn)練時(shí)間長(zhǎng)的缺陷，本文利用卷積神經(jīng)網(wǎng)絡(luò)和自編碼神經(jīng)網(wǎng)絡(luò)，將目標(biāo)檢測(cè)和跟蹤任務(wù)分為相互聯(lián)系的兩大步驟：
　　(1)前景目標(biāo)區(qū)域提取。
　　(2)前景目標(biāo)識(shí)別與分類。在前景目標(biāo)區(qū)域提取過程中，本文基于自編碼神經(jīng)網(wǎng)絡(luò)提出一種目標(biāo)區(qū)域提取網(wǎng)絡(luò)，通過上述網(wǎng)絡(luò)結(jié)構(gòu)對(duì)視頻序列中的每幀圖像中的前景目標(biāo)進(jìn)行分割，

3、得到一系列比較寬泛的前景目標(biāo)區(qū)域。
　　而在前景目標(biāo)識(shí)別與分類階段，本文基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和空間金字塔采樣方法提出一種目標(biāo)檢測(cè)與跟蹤方法，對(duì)(1)步驟中提取的目標(biāo)區(qū)域利用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行分類識(shí)別，將目標(biāo)檢測(cè)與跟蹤任務(wù)轉(zhuǎn)換為目標(biāo)分類識(shí)別任務(wù)，最終得到輸入圖像數(shù)據(jù)的前景目標(biāo)的檢測(cè)與跟蹤結(jié)果。
　　為了驗(yàn)證本文所述算法的可行性和算法性能，本文使用斯坦福大學(xué)SBD數(shù)據(jù)集以及部分互聯(lián)網(wǎng)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，通過人工