視頻監(jiān)控系統(tǒng)中運(yùn)動檢測與跟蹤技術(shù)的研究.pdf

1、隨著人工智能和計算機(jī)技術(shù)的發(fā)展，機(jī)器視覺技術(shù)研究取得了長足的進(jìn)步，并引起了越來越多的關(guān)注。目前，根據(jù)機(jī)器視覺完成的運(yùn)動檢測、識別、跟蹤廣泛地應(yīng)用于國防建設(shè)、航空航海、醫(yī)藥衛(wèi)生、安全監(jiān)控等國民經(jīng)濟(jì)的各個領(lǐng)域。運(yùn)動檢測與跟蹤則是其中一個重要的研究方向。運(yùn)動檢測的目的是檢測某監(jiān)控區(qū)域內(nèi)是否出現(xiàn)目標(biāo)物體并確定目標(biāo)出現(xiàn)的位置、大小等信息；目標(biāo)跟蹤的目的是對選中的目標(biāo)進(jìn)行軌跡的描述，涉及到目標(biāo)特征的提取、特征描述、目標(biāo)匹配等多個方面。 本文

2、研究的主要目標(biāo)是仿真實(shí)現(xiàn)對視頻序列中人體運(yùn)動目標(biāo)的實(shí)時監(jiān)控。系統(tǒng)主要由檢測與跟蹤兩個模塊構(gòu)成，文中分別對檢測和跟蹤的算法進(jìn)行了分析和研究，并提出相應(yīng)的改進(jìn)依據(jù)和改進(jìn)方法，最后將兩者結(jié)合，實(shí)現(xiàn)了在靜止背景與微弱動態(tài)背景下對人體目標(biāo)的全自動準(zhǔn)實(shí)時的跟蹤。 本文首先提出了一種適合靜止背景與微弱動態(tài)背景視頻序列的運(yùn)動目標(biāo)檢測方法。該方法首先對象素做混合高斯建模(Gaussian Mixture Model，簡稱GMM)，在判斷像素是背景

3、還是前景點(diǎn)時，傳統(tǒng)GMM采用了參考相同位置上像素樣本的期望和方差參數(shù)的策略。然而像素鄰域間的信息對像素的分類至關(guān)重要。基于此，在判決過程中，提出對前景點(diǎn)集做空間域二次判決的策略?？臻g域二次判決在一次判決的基礎(chǔ)上，利用鄰域像素的歷史統(tǒng)計值信息進(jìn)行重判決，可篩選出“偽前景點(diǎn)”,解決混合高斯模型分離法無法正確檢測背景物體棱角、邊緣處像素的問題。運(yùn)動檢測的另一個難點(diǎn)是陰影消除。本文結(jié)合背景像素亮度特性，對前景像素的歸一化亮度進(jìn)行空間域二次判決，

4、同樣取得良好的去除陰影效果。最后，經(jīng)過對GMM背景分離法的多次試驗(yàn)分析，對部分參數(shù)進(jìn)行了優(yōu)化：將建?？臻g從一維推廣到三維，并重新定義了方差收斂函數(shù)。實(shí)驗(yàn)證明基于空間域二次判決策略的GMM分離法可降低背景像素的誤檢率和有效抑制運(yùn)動物體的陰影。 本文的跟蹤算法主要基于Mean-Shift算法和粒子濾波算法。在Mean-Shift理論的分析基礎(chǔ)上，首先歸納了Mean-Shift算法在跟蹤應(yīng)用上的具體步驟。其次，從圖像處理學(xué)角度上定義了

5、目標(biāo)可見度，并給出相應(yīng)的數(shù)學(xué)計算式。通過目標(biāo)可見度和Mean-Shift核函數(shù)帶寬作用的研究，闡述了在目標(biāo)遭遇遮擋和動態(tài)復(fù)雜背景情況下跟蹤效果不佳的原因。針對目標(biāo)大面積遮擋的情況，本文提出多項(xiàng)式擬合運(yùn)動曲線的方法來估算目標(biāo)處于遮擋狀態(tài)時的位置；針對動態(tài)復(fù)雜背景，本文結(jié)合粒子濾波和Mean-shift各自的優(yōu)點(diǎn)，設(shè)計了基于粒子濾波器的Mean-shift跟蹤算法。跟蹤算法選舉圖像核直方圖作為目標(biāo)模板的特征描述，在跟蹤過程中，能自適應(yīng)調(diào)整標(biāo)