智能視覺監(jiān)控中多運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究.pdf

1、安全防范領(lǐng)域中己廣泛采用視覺傳感器監(jiān)控場(chǎng)景,但大多數(shù)系統(tǒng)仍停留在半人工式的模擬監(jiān)控,迫切需要研制智能化的視覺監(jiān)控系統(tǒng),而多運(yùn)動(dòng)目標(biāo)檢測(cè)、跟蹤是智能視覺監(jiān)控的基礎(chǔ)性問題,同時(shí)也是關(guān)鍵性的難點(diǎn)問題。本論文主要研究了智能視覺監(jiān)控系統(tǒng)中多運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法,首先提出了復(fù)雜場(chǎng)景中的目標(biāo)檢測(cè)方法,然后針對(duì)不同跟蹤需求,分析提出了多種目標(biāo)跟蹤方法,最后介紹了自主開發(fā)的智能網(wǎng)絡(luò)視覺監(jiān)控系統(tǒng)。全文主要工作包括如下幾個(gè)方面。
　　 論文首先介紹

2、了智能視覺監(jiān)控的研究背景及意義,并對(duì)智能視覺監(jiān)控系統(tǒng)的構(gòu)成進(jìn)行了深入分析,系統(tǒng)詳細(xì)地闡述了智能視覺監(jiān)控系統(tǒng)及關(guān)鍵技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀,并以此為基礎(chǔ),分析了智能視覺監(jiān)控處理中的難點(diǎn)問題,及闡述本論文的研究意義。
　　 目標(biāo)檢測(cè)是智能視覺監(jiān)控的基礎(chǔ),目標(biāo)檢測(cè)的準(zhǔn)確性直接影響后續(xù)跟蹤處理,而復(fù)雜場(chǎng)景中存在的大量動(dòng)態(tài)變化對(duì)目標(biāo)檢測(cè)造成極大干擾,因此,論文第二章在分析了常用的參數(shù)化、非參數(shù)化背景模型的基礎(chǔ)上,將復(fù)雜場(chǎng)景中的目標(biāo)檢測(cè)問題轉(zhuǎn)化

3、為圖像像素標(biāo)記問題,提出了一種非參數(shù)目標(biāo)檢測(cè)方法:基于MAP—MRF框架的蟻群優(yōu)化目標(biāo)檢測(cè)方法。首先通過混合核密度估計(jì)法估計(jì)場(chǎng)景的條件概率分布,在馬爾可夫隨機(jī)場(chǎng)(MRF)中得到像素標(biāo)記的先驗(yàn)概率,并據(jù)此推導(dǎo)出后驗(yàn)?zāi)芰亢瘮?shù),即建立了MAP-MRF框架,采用蟻群算法優(yōu)化后驗(yàn)?zāi)芰亢瘮?shù),從而得到像素標(biāo)記結(jié)果,實(shí)現(xiàn)了非閾值化、上下文關(guān)聯(lián)的目標(biāo)檢測(cè),在視頻序列上的實(shí)驗(yàn)結(jié)果表明該方法魯棒性高,能較好地適應(yīng)場(chǎng)景中的復(fù)雜動(dòng)態(tài)變化,準(zhǔn)確、有效地檢測(cè)運(yùn)動(dòng)目標(biāo)

4、。
　　 在檢測(cè)出目標(biāo)區(qū)域后,可在目標(biāo)區(qū)域提取特征進(jìn)行目標(biāo)跟蹤。監(jiān)控場(chǎng)景中的多運(yùn)動(dòng)目標(biāo)往往具有不同外觀特征,基于外觀模型跟蹤多目標(biāo)是一種常用的跟蹤方法,但如何建立有效的外觀模型是難點(diǎn)問題。論文第三章分析了目標(biāo)模型中常用的顏色、運(yùn)動(dòng)特征,并結(jié)合人體的身體部分間的空間結(jié)構(gòu)特征,提出利用屬性關(guān)系圖建立人體外觀模型;為在連續(xù)幀間匹配目標(biāo),根據(jù)推導(dǎo)計(jì)算的屬性關(guān)系圖外觀模型的相似度,建立匹配矩陣,分析了四種不同的匹配情況下的跟蹤策略,如判定

5、多人體相互遮擋,則通過概率松弛法優(yōu)化匹配遮擋人體的身體部分及上一幀的跟蹤標(biāo)記,從而實(shí)現(xiàn)遮擋情況下的多人體跟蹤。通過比較該方法與其他典型的外觀跟蹤方法在多個(gè)視頻序列上的跟蹤結(jié)果、性能指標(biāo),驗(yàn)證了該方法跟蹤不同人體外觀的有效性、準(zhǔn)確性。
　　 傳統(tǒng)的基于目標(biāo)檢測(cè)——目標(biāo)特征的跟蹤方法依賴于目標(biāo)檢測(cè)結(jié)果的準(zhǔn)確性,而常用的目標(biāo)檢測(cè)方法,即便采用形態(tài)學(xué)濾波等方法對(duì)檢測(cè)結(jié)果進(jìn)行后處理,仍無法做到完全檢測(cè)出完整的目標(biāo),常常存在目標(biāo)“碎片”或“

6、空洞”,影響后續(xù)跟蹤的準(zhǔn)確性、有效性。論文第四章在前景目標(biāo)檢測(cè)結(jié)果存在目標(biāo)“碎片”和“空洞”的情況下,提出了一種優(yōu)化碎片標(biāo)記的多運(yùn)動(dòng)目標(biāo)跟蹤方法。首先將上一幀跟蹤目標(biāo)劃分成“目標(biāo)碎片”,并賦予跟蹤標(biāo)記,再將當(dāng)前幀前景區(qū)域也劃分成具有特征一致性的“前景碎片”,在當(dāng)前幀將目標(biāo)碎片的跟蹤標(biāo)記隨機(jī)分配給前景碎片,則多目標(biāo)跟蹤問題轉(zhuǎn)化為前景碎片的標(biāo)記優(yōu)化問題;建立前景碎片的屬性關(guān)系圖及與其標(biāo)記相同的上一幀目標(biāo)碎片的屬性關(guān)系圖,采用概率松弛法分析得

7、到前景碎片標(biāo)記優(yōu)化的目標(biāo)函數(shù),并通過遺傳算法優(yōu)化,給前景碎片分配最優(yōu)的跟蹤標(biāo)記,即可通過前景碎片的跟蹤標(biāo)記進(jìn)一步分割出完整目標(biāo)區(qū)域的同時(shí)完成了目標(biāo)識(shí)別、跟蹤。在室內(nèi)外監(jiān)控視頻序列上實(shí)驗(yàn)結(jié)果表明,該方法能在前景檢測(cè)結(jié)果存在“碎片”、“空洞”的情況下,準(zhǔn)確、有效地跟蹤多運(yùn)動(dòng)目標(biāo)。
　　 在監(jiān)控范圍大,運(yùn)動(dòng)目標(biāo)外觀特征少或者外觀相似的情況下,數(shù)據(jù)關(guān)聯(lián)是跟蹤能否實(shí)現(xiàn)的關(guān)鍵問題。論文第五章僅采用目標(biāo)運(yùn)動(dòng)特征,提出一種改進(jìn)聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的

8、多目標(biāo)快速跟蹤方法,采用簡(jiǎn)化murty算法求聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(JPDA)的最優(yōu)K個(gè)聯(lián)合事件,能大大降低計(jì)算復(fù)雜度,避免在目標(biāo)較多時(shí)的關(guān)聯(lián)匹配呈指數(shù)增加,討論了在目標(biāo)新出現(xiàn)、消失、遮擋、分離(包括前景檢測(cè)不準(zhǔn)確造成的碎片)等復(fù)雜情況下當(dāng)前幀量測(cè)與跟蹤目標(biāo)的數(shù)據(jù)關(guān)聯(lián)、目標(biāo)狀態(tài)估計(jì),從而有效實(shí)現(xiàn)了多目標(biāo)復(fù)雜運(yùn)動(dòng)的快速跟蹤。在標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)證明,該方法能在大范圍復(fù)雜場(chǎng)景中有效跟蹤多個(gè)外觀相似且外觀區(qū)域小的目標(biāo),跟蹤精度比傳統(tǒng)JPDA方法大大