分布式智能視覺(jué)監(jiān)控系統(tǒng)關(guān)鍵技術(shù)的研究.pdf

1、隨著網(wǎng)絡(luò)及傳感器技術(shù)的發(fā)展，視覺(jué)監(jiān)控系統(tǒng)正向自動(dòng)化、智能化與普適化方向的發(fā)展?，F(xiàn)存的視覺(jué)監(jiān)控系統(tǒng)大多仍然只具有采集、存儲(chǔ)視頻數(shù)據(jù)的功能，對(duì)于實(shí)時(shí)事件檢測(cè)任務(wù)則交給在監(jiān)視器前面的監(jiān)控人員來(lái)完成。智能視覺(jué)監(jiān)控系統(tǒng)不應(yīng)只是具有事故的調(diào)查功能，而且還應(yīng)該具有阻止?jié)撛跒?zāi)難事故發(fā)生的功能。分布式智能視覺(jué)監(jiān)控存在著許多與目前的視覺(jué)監(jiān)控系統(tǒng)不同的新問(wèn)題和挑戰(zhàn)。其中包括系統(tǒng)軟件平臺(tái)、事件挖掘與分析等。本文就分布式智能視覺(jué)監(jiān)控中的某一些關(guān)鍵技術(shù)進(jìn)行了討論。

2、主要研究工作及創(chuàng)新性體現(xiàn)在以下幾個(gè)方面： 1) 基于服務(wù)質(zhì)量的分布式Multi-Agent模型的軟件平臺(tái) 針對(duì)目前的視覺(jué)監(jiān)控系統(tǒng)中軟件平臺(tái)簡(jiǎn)單，功能單一，尚存在較多不完善的問(wèn)題。本文設(shè)計(jì)了一種基于服務(wù)質(zhì)量QoS的分布式Multi-Agent模型的視覺(jué)監(jiān)控系統(tǒng)軟件平臺(tái)。該平臺(tái)中各個(gè)Agent都是自主的進(jìn)程，能夠可有序一致的互相協(xié)調(diào)通信。采用引用不耦合、時(shí)間上耦合的基于消息組的發(fā)布/訂閱模型，以利于實(shí)現(xiàn)對(duì)Agent問(wèn)的動(dòng)態(tài)性

3、的適應(yīng)和自發(fā)交互。根據(jù)分布式智能視覺(jué)監(jiān)控系統(tǒng)所傳輸?shù)臄?shù)據(jù)類型與特點(diǎn)，提出了一種基于服務(wù)質(zhì)量的數(shù)據(jù)傳輸機(jī)制。實(shí)驗(yàn)測(cè)試表明，該傳輸機(jī)制具有較小的數(shù)據(jù)傳輸時(shí)延。 2) 面向室內(nèi)監(jiān)控場(chǎng)景中前景目標(biāo)穩(wěn)定檢測(cè)與跟蹤 針對(duì)室內(nèi)監(jiān)控場(chǎng)景中前景目標(biāo)的持續(xù)檢測(cè)以及鬼影的去除問(wèn)題。本文提出了一種面向室內(nèi)監(jiān)控場(chǎng)景中前景目標(biāo)穩(wěn)定檢測(cè)方法。該方法采用基于顏色和梯度信息融合、雙重背景模型及其更新機(jī)制實(shí)現(xiàn)對(duì)動(dòng)態(tài)的前景目標(biāo)持續(xù)穩(wěn)定地檢測(cè)，消除了前景檢測(cè)中

4、出現(xiàn)的鬼影影響，較好地解決了室內(nèi)監(jiān)控場(chǎng)景中目標(biāo)經(jīng)常處于“停停走走”，目標(biāo)比較大且目標(biāo)各部分運(yùn)動(dòng)狀態(tài)不一致等情況下的目標(biāo)檢測(cè)問(wèn)題。采用基于粒子濾波的概率跟蹤框架。選擇基于Particle Filter粒子濾波跟蹤方法對(duì)監(jiān)控場(chǎng)景中目標(biāo)進(jìn)行跟蹤，實(shí)現(xiàn)了多目標(biāo)穩(wěn)定地跟蹤。實(shí)驗(yàn)結(jié)果表明：不管人是靜止還是運(yùn)動(dòng)的，都可以同時(shí)對(duì)多人整體、人頭以及手進(jìn)行穩(wěn)定地檢測(cè)與跟蹤。 3) 基于概率支持向量機(jī)方法的人臉識(shí)別方法 針對(duì)傳統(tǒng)支持向量機(jī)方法

5、不提供后驗(yàn)概率的輸出，建議了“1對(duì)1”多類支持向量機(jī)的概率建模方法，提高了支持向量機(jī)的分類性能。結(jié)合了SVM分類器與概率建模的優(yōu)點(diǎn)，提出了一種基于概率支持向量機(jī)方法的人臉識(shí)別方法。針對(duì)智能會(huì)議場(chǎng)景對(duì)人臉識(shí)別的特殊情況，通過(guò)依據(jù)檢測(cè)、跟蹤得到頭部區(qū)域與人臉區(qū)域的長(zhǎng)度或面積比，選擇正面的人臉進(jìn)行識(shí)別，從而降低了人臉姿態(tài)對(duì)人臉識(shí)別的影響。實(shí)驗(yàn)結(jié)果表明：該方法不僅使人臉識(shí)別的精度得到了提高，還提供了其屬于所在類中的可信程度。 4) 基于

6、多層事件融合的場(chǎng)景事件實(shí)時(shí)分析 文中給出了一種基于事件的語(yǔ)義描述定義，描述了事件的三種特性：(1)事件是描述時(shí)空過(guò)程的語(yǔ)義對(duì)象；(2) 事件定義取決于場(chǎng)景；(3) 事件具有層次性的結(jié)構(gòu)。為解決智能監(jiān)控場(chǎng)景中場(chǎng)景事件實(shí)時(shí)分析問(wèn)題，提出了一種基于多層事件融合的場(chǎng)景事件分析模型以及對(duì)應(yīng)的RBPF實(shí)時(shí)推理方法。利用事件具有層次結(jié)構(gòu)特性以及各層事件之間的關(guān)系，將場(chǎng)景事件分解為不同層次的子事件，利用多層子事件融合進(jìn)行場(chǎng)景事件分析，并以多層動(dòng)