论文部分内容阅读
随着无人驾驶技术、人机交互技术在视频监控和交通领域的持续发展,基于目标视觉的视频车辆检测跟踪研究逐渐在智能视频监控领域占据重要地位,并且成为了视频车辆检测和采集车辆间信息的关键方式之一。给定一个目标车辆的初始状态,目标车辆检测跟踪算法的任务是在随后的视频中估计目标车辆的状态。然而在视频车辆的检测跟踪实际应用过程中,由于存在目标运动车辆特征的可变性、尺度变化、光照强度不一、遮挡因素、复杂背景等影响车辆跟踪效率的多种干扰因素。因此提出一种优秀的准确性强、鲁棒性高的视频车辆检测跟踪算法是不可或缺的。传统视频车辆检测跟踪算法缺点在于运用手工提取的底层视觉特征来形成车辆外观模型,其造成预测模型信息的能力不足。针对上述传统算法缺陷,受到深度学习基本模型在图像分类和语音识别等任务中取得巨大成功的启发,文章提出一种将深度网络模型运用到视频车辆检测跟踪算法中的思想,通过学习、提取高级深层特征构造一个实时的外观模型。本文具体的研究内容如下:第一:结合视频车辆检测跟踪算法的现实意义及研究背景,本文详细阐述了车辆跟踪算法的国内外研究现状,提出一种视频车辆检测跟踪技术的新思想。第二:针对车辆检测跟踪过程中人工提取特征导致的效率低下问题,以及由于姿态变化、尺度变化、车辆遮挡和复杂环境等不利因素对研究课题影响,本文引入深度学习思想,介绍深度学习理论,主要论述四种常见的深度模型,简要介绍其基本原理及具体的现实应用,为以下的改进方法提出理论基础。第三:为了解决视频车辆阴影点导致的车辆合并及形状失真的问题,文章提出一种结合Fast RCNN深度模型的阴影检测算法。该方法首先在视频车辆图像采用Selective search法提取多个车辆候选目标矩形区域,采用Hessenberg分解法将运动车辆和其阴影区域分开。然后利用深度网络提取阴影特征,用PCA分析法检测阴影,训练优化此网络,最后识别移动阴影中包含的车辆区域,实现快速去除阴影的效果。第四:由于目标视觉跟踪过程存在的目标漂移和错误匹配现象,提出一种基于堆叠去噪自编码器神经网络和在线Deep Boost学习(Online Deep Boost,ODB)策略的多目标视觉跟踪算法。该方法首先在SDAE网络上通过ODB方法学习目标的局部-全局特征。然后根据特征权重结合粒子滤波器和soft-max分类器跟踪目标并对其分类,得到目标最相似的状态值。最后引入时间因素计算目标外观的动态持续时间,然后更新外观模型。