论文部分内容阅读
视频监控在众多领域有着广泛的应用。由于场景结构和相机布置的限制，单个相机无法完全覆盖，所以，当出现大场景甚至是超大场景时，视频监控往往以相机网络的形式出现。随着近年来计算机视觉技术不断发展，视频监控的智能化成为热门研究方向，智能视频监控成为热词。从计算机视觉技术的角度，智能视频监控主要分五个模块：相机校正、相机网络拓扑关系建立、目标检测、目标跟踪、事件分析。其中目标检测和目标跟踪更是整个智能视频监控的技术核心。目前，目标检测和目标跟踪在各自的研究领域性能都有了不少的提升。但将二者用于智能视频监控的实际应用时，仍面临诸多挑战。本文针对智能视频监控中对目标检测和目标跟踪技术的应用，对算法和流程做出三处改进：
在监控视频场景中，往往存在目标相互遮挡的情况，采用常规的目标检测算法容易产生漏检情况，本文借鉴软-非极大值抑制思想对目标检测PVANET算法进行改进，在不降低算法整体准确率的同时，减少了算法检测邻近目标时候的漏检情况。
智能视频监控中涉及到多目标跟踪方法。本文利用经典目标跟踪算法KCF的短时有效性，并结合适用于长期跟踪的多目标跟踪框架——基于目标检测的多目标跟踪方法，综合二者的优势，提出了基于PVANET+KCF的在线多目标跟踪方法，在确保精度的同时，达到实时跟踪的效果；
针对目前大场景中轨迹融合存在的限制和问题，本文通过建立弱相机拓扑网络，并利用目标重识别Aligned-ReId算法实现不同相机结点间相同目标的高精度匹配。目前，轨迹融合效果过分依赖于某一时刻目标框提取的精确程度，且将其视为单次命中任务；本文对此做出改进，通过在整条轨迹中选取多组精确目标框，并将其改造为多重命中任务，结合再排序(Re-ranking)思想，提高目标重识别的精度。
在监控视频场景中，往往存在目标相互遮挡的情况，采用常规的目标检测算法容易产生漏检情况，本文借鉴软-非极大值抑制思想对目标检测PVANET算法进行改进，在不降低算法整体准确率的同时，减少了算法检测邻近目标时候的漏检情况。
智能视频监控中涉及到多目标跟踪方法。本文利用经典目标跟踪算法KCF的短时有效性，并结合适用于长期跟踪的多目标跟踪框架——基于目标检测的多目标跟踪方法，综合二者的优势，提出了基于PVANET+KCF的在线多目标跟踪方法，在确保精度的同时，达到实时跟踪的效果；
针对目前大场景中轨迹融合存在的限制和问题，本文通过建立弱相机拓扑网络，并利用目标重识别Aligned-ReId算法实现不同相机结点间相同目标的高精度匹配。目前，轨迹融合效果过分依赖于某一时刻目标框提取的精确程度，且将其视为单次命中任务；本文对此做出改进，通过在整条轨迹中选取多组精确目标框，并将其改造为多重命中任务，结合再排序(Re-ranking)思想，提高目标重识别的精度。