运动人体实时跟踪软件设计

论文总字数：26358字

摘 要

随着视频监控在日常生活中的广泛应用，目标追踪作为其中的关键问题，引起了研究者的广泛关注。基于检测的跟踪方法是无约束场景下多目标跟踪的有效方法之一，其主要思想是：首先通过检测器得到场景中目标的一系列图像，再通过跟踪器将各时刻的图像序列关联起来，从而得到目标的运动轨迹。但这种处理方法抛弃了图像序列中的很多信息，无法在拥挤、遮挡严重的场景中实现准确的追踪。

本文在条件随机场（CRF）模型的基础上，结合高阶图像信息检测结果和低阶图像信息超像素信息，以及场景中的激光数据，提出了一种给每一个超像素和检测响应都分配独特的目标身份，或者将超像素分类为背景的多目标跟踪方法。在构建的实验平台上，通过用多组实测数据对所提出的多目标跟踪方法进行验证，证明了方法的有效性，并验证了引入激光数据与视觉数据相结合，能够增加多目标跟踪的准确性。

关键词：CRF模型，超像素，多目标跟踪，吉布斯能量，激光数据

SOFTWARE DESIGN FOR REAL-TIME TRACKING OF HUMAN MOTION

Abstract

With the widespread use of video surveillance in our daily life, many scholars have been doing a lot of research on multi-target tracking, the key issue of video surveillance. Tracking-by-detection has proven to be the one of the effective methods to track multiple targets in unconstrained scenarios. It uses the detector to collect a series of images of the target in the scenario, and then uses the tracker to associate the series of detections over time, thereby obtaining the target’s trajectory. However, such an approach will abandon a lot of useful information of the images, making it difficult for accurate tracking in seriously blocked or crowded scenarios.

Based on the CRF model, this paper combines high-level image information-detections, low-level image information-superpixels, and laser data from the scenario. It proposes a multi-target tracker that assigns a specific target to every superpixel and detection response, or classifies the superpixel as the background. This multi-target tracker has been tested on the experimental platform with multiple sets of measured data. The result shows that the introduction of laser data improves tracking accuracy.

Keywords: multi-target tracking, superpixels, CRF model, Gibbs Energy, laser data

目录

第一章 绪 论 5

1.1 研究背景和意义 5

1.2 多目标跟踪的常用方法 5

1.2.1基于检测的跟踪 6

1.2.2基于分割的跟踪 6

1.2.3基于特征的跟踪 6

1.2.4 基于区域的跟踪 7

1.2.5基于主动轮廓的跟踪 7

1.2.6基于模型的跟踪 7

1.3 本文主要研究内容 8

第二章 基于检测的跟踪与机器学习的基本理论 9

2.1 目标检测 9

2.2 数据关联和轨迹分配 10

2.3 支持向量机(SVM) 11

2.4 条件随机场(CRF) 12

2.5 本章小结 13

第三章 基于超像素和激光信息的多目标检测与跟踪 14

3.1 基本方法 14

3.2 CRF模型 15

3.2.1 轨迹模型 15

3.2.2 目标形状 16

3.2.3 观测模型 16

3.2.4 一元势函数 16

3.2.5 成对边 17

3.3正则化项 18

3.4 求解吉布斯能量 19

3.4.1 简介 19

3.4.2 步骤 20

3.5 假设轨迹集的生成 21

3.5.1快速动态规划法 21

3.5.2背景无关跟踪法 21

3.6 算法流程 23

3.7 本章小结 23

第四章 算法程序设计 24

4.1 实验用的软件平台 24

4.2 前景背景分离模块 24

4.2.1 detSeg函数 24

4.2.2 svmSeg函数 25

4.3 假设轨迹生成 25

4.3.1 快速动态规划法 25

4.3.2 背景无关跟踪法 25

4.4 吉布斯能量计算 26

4.4.1 检测势函数 26

4.4.2 超像素势函数 27

4.4.3 激光数据势函数 27

4.5 本章小结 28

第五章 实验分析 29

5.1实验数据介绍 29

5.1.1图像数据 29

5.1.2激光数据 30

5.2性能指标 30

5.3 实验其他说明 31

5.4 实验数据分析 31

5.5 本章总结 33

总结与致谢： 35

展望 35

参考文献（References） 36

绪 论

研究背景和意义

随着社会的发展，人们越来越追求利用机器来完成一些枯燥乏味的工作，从而降低错误率、提高效率，视频监控便是其中之一。视频监控已经深入到我们生活的方方面面，比如教室、商场、银行、马路、饭店等公共场所。摄像头的应用越来越广泛，其数目逐年增长，可想而知监控视频资源是有多么庞大。如果这些视频资源全部由人工来进行监控和处理，那么肯定会耗费很多的人力来完成这项枯燥的工作。然而巨大的视频资源中仅仅有很小一部分是有用片段，也就是说监控人员会浏览很多无用信息，这难免会使他们感到疲劳，出现纰漏。因此如何利用计算机对摄像头获取的视频序列进行自动的监控与分析引起了许多国内外的学者进行研究。

目标检侧、目标跟踪、多摄像机融合、模式识别等是当前视频监控中的主要研究内容。多目标跟踪是视频监控中比较重要的研究问题，它的任务就是给定一系列图像序列或者视频以后，能对视频中的多个目标定位，并正确判断每一帧他们的身份，最终得到每一个目标的运动轨迹，它是计算机视觉中一个比较中间层面的工作。基于此构成的高层次的任务还有动作识别，行为分析等。在实际中，它可用于交通秩序的维持，检测并跟踪闯红灯的行人等；还可在民用或者银行这种需要实时监控财产安全的地方，不仅可靠还省人力；同时也可协助警察办案，跟踪嫌疑人；军事领域中基于视觉的导弹跟踪等；还有一些应用比如虚拟现实，医学图像处理等。因此多目标跟踪的研究有很大的现实意义。

剩余内容已隐藏，请支付后下载全文，论文总字数：26358字