基于動態(tài)背景下的運動目標檢測與跟蹤技術研究.pdf

1、目標檢測與跟蹤是計算機視覺領域中一個熱點課題，在交通情況監(jiān)控、室內安全防護、公共安全預警等領域的應用極其廣泛，該課題研究需要結合圖像處理和模式識別相關知識。傳統(tǒng)的檢測與跟蹤算法使用人工特征提取方法獲取目標特征，但是由于實際應用中存在背景環(huán)境的復雜多變以及動態(tài)背景情況，上述算法存在諸多不足，極大限制了應用范圍。
　　本文基于國內外目標檢測與跟蹤領域的研究現(xiàn)狀，總結了目標檢測與跟蹤算法框架模型，針對傳統(tǒng)目標檢測與跟蹤算法準確率低、魯棒

2、性較差的缺點，提出了一種基于深度神經網(wǎng)絡的目標檢測與跟蹤方法。同時為了解決現(xiàn)有卷積神經網(wǎng)絡目標檢測與跟蹤算法存在網(wǎng)絡模型過于復雜以及訓練時間長的缺陷，本文利用卷積神經網(wǎng)絡和自編碼神經網(wǎng)絡，將目標檢測和跟蹤任務分為相互聯(lián)系的兩大步驟：
　　(1)前景目標區(qū)域提取。
　　(2)前景目標識別與分類。在前景目標區(qū)域提取過程中，本文基于自編碼神經網(wǎng)絡提出一種目標區(qū)域提取網(wǎng)絡，通過上述網(wǎng)絡結構對視頻序列中的每幀圖像中的前景目標進行分割，

3、得到一系列比較寬泛的前景目標區(qū)域。
　　而在前景目標識別與分類階段，本文基于卷積神經網(wǎng)絡結構和空間金字塔采樣方法提出一種目標檢測與跟蹤方法，對(1)步驟中提取的目標區(qū)域利用已經訓練好的網(wǎng)絡模型進行分類識別，將目標檢測與跟蹤任務轉換為目標分類識別任務，最終得到輸入圖像數(shù)據(jù)的前景目標的檢測與跟蹤結果。
　　為了驗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SBD數(shù)據(jù)集以及部分互聯(lián)網(wǎng)數(shù)據(jù)作為訓練數(shù)據(jù)集和測試數(shù)據(jù)集，通過人工