復雜交通監(jiān)控場景下運動目標檢測與跟蹤方法研究.pdf

1、交通監(jiān)控場景中情況各異、環(huán)境復雜,運動目標的任意性和隨機性,以及光照、遮擋、目標姿態(tài)等不確定性,使運動目標檢測與跟蹤過程中出現(xiàn)的問題具有不可預測性。本文在復雜交通監(jiān)控場景中應用單目攝像機獲取目標區(qū)域,建立借助目標特征實現(xiàn)目標檢測與跟蹤方案。圍繞形變與尺度變化下目標的檢測與跟蹤方法,研究了視頻中目標區(qū)域的檢測和提取、基于目標特征的識別與分類,以及復雜場景中尺度變化的目標的跟蹤問題,這些問題形成了基于復雜交通監(jiān)控場景下運動目標檢測與跟蹤方法

2、的技術研究。
　　論文的主要內容如下:
　　1)提出一種基于量子聚類分析技術的像素塊編碼的交通背景提取方法。實際交通監(jiān)控中的場景狀況是不確定的,為了精確的提取前景需要用有效的方法對背景建立模型,了解視頻序列中像素變化并考慮到像素之間的相互關系。本文在經典 Codebook方法的基礎上進行探索和研究,將視頻圖像劃分為像素塊,對像素塊進行聚類學習和編碼,在該編碼的基礎上用交替學習和更新的方法對編碼進行實時更新。實驗證明,本方法獲

3、取的前景干擾較少,目標區(qū)域圖像較清晰;另外該方法計算簡單,加之采用交替更新的方法,實時性好,提取的前景具有較好的魯棒性。
　　2)提出一種基于 MRF的自適應車輛陰影檢測和消除方法。對車輛陰影通過將前景與背景像素的顏色和局部紋理特征進行對比。顏色特征是用 HSI顏色空間特性,局部紋理則用SILTP編碼的漢明距離對陰影像素檢測,其中得閾值用極大似然估計的方法估計。在以上特征的基礎上,用馬爾可夫隨機場對像素標記及其鄰域的相關性進行表示

4、,進而對陰影和非陰影像素進行分割。實驗結果表明,和其他方法相比該方法有相似或者更優(yōu)越的性能,能適應光照的變化環(huán)境。
　　3)提出基于Gabor特征圖像上提取HOG特征的行人識別方法(在此簡稱GHOG方法)。針對場景中目標姿態(tài)、光線等不斷變化的需求,該方法將視頻圖像和Gabor小波進行卷積,得到的40個小波圖像進行尺度和方向上進行融合,形成一幅Gabor的融合圖像;在此基礎上進行HOG特征提取,根據(jù)提取的HOG特征用Real Ada

5、boost級聯(lián)分類的方法進行目標識別。實驗證明,該方法能有效降低錯誤檢測率;對目標在Gabor特征圖像融合過程中采取了編碼的方式,使計算量也有效降低。
　　4)提出一種對于目標圖像分塊稀疏表示和貝葉斯估計進行目標跟蹤的方法。針對目標跟蹤過程中遮擋問題,該方法根據(jù)基礎樣本庫子空間的塊對目標的外觀進行稀疏線性組合表示,為了實時更新目標模板,采用了增量學習的方法來適應不斷變化的目標。然后建立了基于重建圖像和觀察目標的近似誤差的概率觀察模