智能視頻監(jiān)控中的運動目標檢測與跟蹤技術研究.pdf

1、智能視頻監(jiān)控是近年來計算機視覺領域的研究熱點，其核心目的是在圖像處理、模式識別和人工智能等技術有效結合的基礎上，利用計算機對所獲取的圖像數據進行自主的、逐層分步的計算與分析，實現對監(jiān)控場景所蘊含的有效信息的感知、分析與理解。其研究成果已廣泛應用于智能安防、智能交通、智能旅游、智慧城市及物聯網建設等諸多領域，產生了巨大的社會經濟效益。
　　運動目標檢測與跟蹤技術是智能視頻監(jiān)控領域的核心基礎與關鍵技術，盡管近年來針對這一技術的研究已經

2、取得了巨大的進展，然而在各種復雜場景的條件下，仍然存在著算法準確性、魯棒性及實時性不能完全滿足應用需要的更深層次的技術挑戰(zhàn)。本文在現有研究成果的基礎上，以場景運動模式分析為出發(fā)點，針對運動目標檢測與跟蹤中的關鍵技術和難點問題展開更加深入的探索與研究，其主要工作概括如下:
　　1)針對監(jiān)控場景局部區(qū)域運動規(guī)律的感知與表達，提出一種基于網格劃分的有向場景運動模式的建模和更新方法。該方法利用正方形網格將監(jiān)控場景劃分為多個子區(qū)域，通過建立

3、一種運動速率加權的光流方向直方圖，描述目標在不同子區(qū)域產生不同方向運動行為的概率。依據提取的序列圖像中KLT角點特征，計算場景中的稀疏光流，再利用局部的光流信息采用線性插值算法對相應子區(qū)域的方向直方圖進行加權投票，從而實現對有向場景運動模式模型的在線更新。針對監(jiān)控相機與運動目標的空間關系，算法還引入了區(qū)域相關的權值補償系數，以消除由于觀測角度不同可能導致的投票失衡問題。通過實驗分析證明，該算法能夠較為準確地描述場景中局部區(qū)域的運動規(guī)律，

4、并實現模型的快速在線更新。
　　2)針對場景區(qū)域劃分與場景運動模式之間的關系，提出一種基于背景分割的有向場景運動模式建模方法。該方法首先采用混合高斯模型提取監(jiān)控場景的背景圖像。通過基于K-means聚類的SLIC超像素分割方法，將其劃分為多個與場景元素邊緣吻合的超像素子區(qū)域。針對每個子區(qū)域，構建一種基于LK光流的速率方向二維直方圖模型，用以描述局部區(qū)域的場景運動模式。實驗表明，該模型能夠利用數量較少的超像素子區(qū)域，更為有效地表達局

5、部區(qū)域不同速率和方向的運動概率密度分布，在一定程度上克服了局部區(qū)域運動模式不一致的問題，提高了模型描述的準確性，并滿足實時監(jiān)控系統(tǒng)的性能需求。
　　3)針對場景布局元素與場景運動模式之間的關系，提出一種基于有向場景運動模式的局部場景理解方法。該方法根據場景布局元素對目標運動的影響，將場景區(qū)域分為路徑區(qū)域、出入口區(qū)域、徘徊區(qū)域和一般區(qū)域等類別，通過場景運動模式模型對不同子區(qū)域進行標注。首先依據速率方向直方圖獲取超像素子區(qū)域的高速運動

6、概率分布，進而得到相鄰子區(qū)域的運動行為的角度相似性距離和頻率相似性距離，用以計算其運動轉移概率。通過由子區(qū)域的鄰接關系和運動轉移概率所建立的有向圖，將運動區(qū)域標注問題轉化為對有向圖的最優(yōu)路徑搜索問題，從而實現對場景中主要運動路徑區(qū)域的標注。其后，對運動路徑兩端的子區(qū)域使用DBSCAN密度聚類，以標注不同的出入口子區(qū)域。最后，利用低速條件下不同方向運動概率的方差，來量化子區(qū)域的徘徊運動特性，實現對徘徊區(qū)域的標注。實驗分析表明，該方法能夠有

7、效獲取場景中的主要路徑、出入口和徘徊區(qū)域，實現對局部場景的語義理解。
　　4)針對運動目標檢測與場景運動模式之間的關系，提出一種結合場景運動模式的并行級聯有向AdaBoost運動目標檢測方法。該方法首先提出一種改進的積分圖算法與積分直方圖算法，提取樣本中的Haar-like特征與方向梯度直方圖特征，用以描述目標圖像的顏色與邊緣特性;其后針對場景運動模式模型的不同方向簇，基于Cascade級聯學習算法，對多個Gentle AdaBo

8、ost子分類器進行訓練;最后利用局部場景運動模式作為檢測先驗，通過速率方向直方圖對區(qū)域運動的概率描述，并行地融合多個子分類器，形成對運動目標檢測結果的最終決策。實驗表明，這種目標檢測方法能夠有效提高AdaBoost目標檢測算法的分類性能，明顯地改善目標檢測的準確性和實時性。
　　5)針對運動目標跟蹤與場景運動模式之間的關系，提出一種結合在線場景運動模式模型的粒子濾波運動目標跟蹤方法。該方法首先采用通道加權的HSV空間顏色直方圖描述

9、運動目標特性，通過定義色調通道的循環(huán)相關矩陣以消除光照變化造成的目標色調分布平移問題。其次，使用場景運動模式模型對粒子的似然概率進行修正，加快其向目標真實狀態(tài)收斂的速度，并采用MCMC重采樣算法以克服粒子濾波的樣本退化和樣本枯竭問題。為實現場景運動模式的在線學習，本文還提出一種基于凸多邊形掃描線種子填充的遍歷算法，實現對目標運動覆蓋的場景子區(qū)域的快速枚舉。通過對兩個不同特點的公共數據集視頻進行目標跟蹤實驗，表明了該目標跟蹤算法的平均跟蹤