智能視頻監(jiān)控中的遮擋目標(biāo)跟蹤技術(shù)研究.pdf

1、近年來，智能視頻監(jiān)控技術(shù)引起了越來越多研究人員的重視，然而該技術(shù)的發(fā)展卻遇到了多方面的制約，遮擋目標(biāo)跟蹤就是其中之一。在單攝像機的視頻監(jiān)控中，由于觀察角度等原因，目標(biāo)之間的相互遮擋是普遍的現(xiàn)象。這對目標(biāo)跟蹤算法準(zhǔn)確跟蹤目標(biāo)帶來很大影響，甚至嚴(yán)重影響視頻監(jiān)控系統(tǒng)的應(yīng)用。因此，本文重點研究遮擋目標(biāo)的跟蹤問題。 本文利用貝葉斯理論為目標(biāo)跟蹤問題建模，并對該模型進行理論推導(dǎo)，分別為四種不同的跟蹤類型（目標(biāo)進入場景、離開場景、單目標(biāo)跟蹤和

2、遮擋目標(biāo)跟蹤）推導(dǎo)出表達式。 在多目標(biāo)跟蹤中，由于目標(biāo)自身的情況和目標(biāo)之間情況的不同，目標(biāo)跟蹤的難度也存在很大差異。為了度量目標(biāo)的跟蹤難度，本文提出不可跟蹤性理論，描述三種不同的定義形式：整個圖象序列所有目標(biāo)的不可跟蹤性、相鄰幀之間所有目標(biāo)的不可跟蹤性以及相鄰幀中單個目標(biāo)的不可跟蹤性，并提出了不可跟蹤性的簡化計算方法，通過實驗驗證了影響不可跟蹤性的四種因素（場景中目標(biāo)數(shù)量、目標(biāo)的分辨率、目標(biāo)的運動速度和跟蹤特征之間的可區(qū)分性）。

3、利用不可跟蹤性理論作為指導(dǎo)得到了兩種解決遮擋目標(biāo)跟蹤問題的方法：遮擋目標(biāo)的自動組合和遮擋目標(biāo)跟蹤中的動態(tài)特征選擇。 由于前面提到的跟蹤遮擋目標(biāo)的方法具有一定的局限性，因此本文提出了一個通用的解決遮擋目標(biāo)跟蹤問題的方法。該方法利用遮擋分層的概念來描述目標(biāo)之間的遮擋關(guān)系；利用目標(biāo)重疊區(qū)域的外觀特征和速度特征來幫助確定目標(biāo)遮擋關(guān)系；利用目標(biāo)的遮擋關(guān)系和狀態(tài)信息來獲取遮擋目標(biāo)的非遮擋部分；利用目標(biāo)非遮擋部分的外觀特征和速度特征的組合來描

4、述遮擋目標(biāo)；對傳統(tǒng)的均值平移跟蹤算法進行改進，利用外觀直方圖和速度直方圖信息來確定目標(biāo)的位置；并利用目標(biāo)在當(dāng)前時刻以前的目標(biāo)尺度變化來預(yù)測當(dāng)前時刻目標(biāo)尺度變化的各個可能性的概率，并通過對尺度變化的概率進行采樣來確定目標(biāo)的尺度變化。 描述目標(biāo)狀態(tài)的參數(shù)包括目標(biāo)的位置、尺度和目標(biāo)之間的遮擋關(guān)系，這些參數(shù)之間互相關(guān)聯(lián)，而且目標(biāo)的參數(shù)空間包括離散變量和連續(xù)變量，參數(shù)空間隨目標(biāo)數(shù)量的變化而變化，因此本文應(yīng)用馬爾可夫鏈蒙特卡羅方法來求解相關(guān)

5、遮擋目標(biāo)的最優(yōu)狀態(tài)。在求解最優(yōu)狀態(tài)的過程中，本文對目標(biāo)模型中的位置、遮擋關(guān)系和尺度三個方面的參數(shù)構(gòu)建狀態(tài)轉(zhuǎn)移函數(shù)以加速算法收斂。在算法收斂過程中，三個方面的參數(shù)通過采樣被逐步地調(diào)整以消除這些參數(shù)之間的關(guān)聯(lián)，保證算法收斂到全局最優(yōu)。當(dāng)跟蹤算法收斂時，則認為此時模型的狀態(tài)參數(shù)為目標(biāo)的最優(yōu)狀態(tài)。 本文利用多段具有遮擋目標(biāo)的圖象序列對提出的跟蹤遮擋目標(biāo)的方法進行測試，從實驗結(jié)果來看，本文的跟蹤算法能夠?qū)λx取的大多數(shù)情況的遮擋目標(biāo)進行很