視頻監(jiān)控系統(tǒng)中目標跟蹤算法研究及應用.pdf

1、隨著大數(shù)據(jù)時代的來臨，傳統(tǒng)監(jiān)控系統(tǒng)已經(jīng)難以滿足今后社會的需求，智能監(jiān)控系統(tǒng)作為時代的產(chǎn)物，越來越多地應用在各個領域。目標跟蹤作為智能監(jiān)控系統(tǒng)的重要組成部分之一，對后續(xù)的行為識別，異常分析的結果有著至關重要的影響。但由于現(xiàn)實環(huán)境的復雜，尋找一種魯棒的跟蹤算法仍是智能監(jiān)控領域亟待解決的難題之一。
　　因此，本文結合計算機視覺領域相關知識，對視頻監(jiān)控中的目標跟蹤算法及其應用進行了深入的研究。在現(xiàn)有跟蹤算法的基礎上，提出了針對不同情況的解

2、決方案，并提出了一種根據(jù)目標跟蹤軌跡判斷徘徊行為的方法。本文具體的研究內(nèi)容如下：
　　首先，在跟蹤過程中，感興趣區(qū)域可能受到攝像機視角變化、光照變化、姿勢變化等因素的影響，導致目標外觀發(fā)生較大的變化。針對這一情況，本文提出了一種基于視覺顯著性的目標跟蹤算法。并且著重研究顯著性特征對目標跟蹤算法的貢獻，在現(xiàn)有顯著性檢測算法的基礎上進行改進，提出了融合空間信息的加權顯著性檢測算法，利用顯著性特征構建更符合人類視覺注意機制的目標外觀表示

3、，并提出了加權顯著性檢測與時空上下文學習相結合的實時跟蹤算法。
　　其次，由于單一特征難以很好地描述目標外觀，并且目標區(qū)域的大小可能隨著攝像頭移動、目標與攝像頭距離的變化而變化。針對這一情況，本文提出了一種基于哈希的多特征多尺度跟蹤算法。通過構造哈希函數(shù)融合多種視覺特征從而獲得較健壯的目標表示，利用在線加權多示例學習算法訓練分類器預測目標在下一幀的位置，并額外使用一個尺度估計濾波器確定目標尺度。
　　最后，本文將跟蹤算法與實