基于弱监督属性学习的目标识别与跟踪

作     者：沈美君 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：余瀚

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：弱监督属性学习 目标识别 目标跟踪 视频 长短期记忆网络 

摘      要：基于弱监督的属性学习可用来进行目标识别与跟踪,这一技术被广泛应用于敏感图像过滤、医学影像分级和危险物品检测等任务中。相比于传统的基础类别图像识别,基于弱监督属性学习的目标识别与跟踪要求模型具有更强大的表征能力,能够捕捉细微的细粒度类间差异。车辆识别与跟踪是典型任务中的一种,其衍生出的车辆检测、车辆识别、车辆跟踪等任务在道路监控中有广泛的应用。本文以弱监督属性学习为基础,以车辆识别与跟踪任务为导向,对粒子滤波跟踪算法中的关键技术进行优化,分析运动的车辆目标在多种环境下检测存在的抖动、遮挡、尺度变换等问题,完成复杂环境下的车辆跟踪与检测。这些都是在车辆目标检测过程中亟待解决的主要问题。只有能在实际的场景下,对目标实现长期、稳定跟踪检测,才能有效地提高运动目标检测的性能。本文围绕粒子滤波算法中的不足进行深入研究,并将模型和方法应用于解决多特征目标识别等实际问题,同时对提出的模型进行了验证,对比了多种算法在目标识别与跟踪上的性能差异。主要研究内容和创新性成果如下:1、针对外界因素引起的不规则抖动问题,提出随机游走的运动目标图像分割方法。进行算法优化,搜索出新的视频底层分割特征点,选择最优边缘特征点的适应度函数,建立全局最优的搜索规则,降低了脉冲噪声污染而产生的视频抖动问题,将获取的最优底层边缘特征点定义为标记点,完成了对视频图像的最优分割。2、目标在检测过程中遮挡问题,提出一种融合多种特征的粒子滤波车辆跟踪算法。采用加速稳健特征(Speeded Up Robust Features,SURF)算法为补偿机制校正与更新目标特征点,由此解决了相似性物体的属性干扰问题。实验结果表明,本文利用Markov随机场的车辆遮挡分离模型,提出偏移量补偿的SURF的粒子滤波跟踪算法,该方法有效地提高了复杂环境下车辆跟踪的准确性和鲁棒性。3、因车辆目标特征和尺度变化较大以及车辆自身旋转,导致目标的跟踪过程中所产生的虚检、漏检等问题,提出一种融合底层属性特征的动态记忆感知的目标检测方法。基于卷积神经学习和训练各种车辆样本在多种场景下的具有代表性的特征,保障车辆可分性较强,解决了车辆目标特征变形造成的车辆特征提取效果不佳的问题。4、最后为了验证理论研究的成果,将所提方法应用到实际的车辆视频检测中进行评估。实验结果表明,在复杂环境下,本文所提出的算法可以有效地进行车辆视频检测,且构建的模型和提出的方法较实用,对未来智能交通系统的建设有一定的指导意义。