視覺(jué)監(jiān)控中的多物體跟蹤技術(shù)研究.pdf

1、視覺(jué)監(jiān)控中的多物體跟蹤是計(jì)算機(jī)視覺(jué)研究領(lǐng)域的熱點(diǎn)問(wèn)題之一,尤其是近年來(lái),視頻監(jiān)控系統(tǒng)發(fā)揮著越來(lái)越重要的作用,它廣泛應(yīng)用于民宅、停車(chē)場(chǎng)、公共場(chǎng)合、銀行等一些場(chǎng)所的實(shí)時(shí)監(jiān)控。本文基于為使用一個(gè)固定的普通彩色攝像頭來(lái)監(jiān)控戶外或者室內(nèi)場(chǎng)景場(chǎng)合,設(shè)計(jì)了一種綜合運(yùn)動(dòng)檢測(cè)與物體跟蹤的智能視覺(jué)監(jiān)控系統(tǒng),對(duì)數(shù)目變化的多物體能自動(dòng)完成檢測(cè)和跟蹤,并保存軌跡信息。多物體跟蹤的難點(diǎn)在于跟蹤目標(biāo)變化不定、實(shí)際場(chǎng)景復(fù)雜、物體存在變形等,本文基于運(yùn)動(dòng)檢測(cè)與物體跟蹤相

2、結(jié)合的思想,將多物體跟蹤系統(tǒng)分為運(yùn)動(dòng)檢測(cè)模塊、團(tuán)塊檢測(cè)模塊、跟蹤模塊和軌跡產(chǎn)生模塊四部分,對(duì)提高運(yùn)動(dòng)檢測(cè)與物體跟蹤的實(shí)時(shí)性、魯棒性與精確性進(jìn)行了研究。本文的主要研究?jī)?nèi)容如下:運(yùn)動(dòng)檢測(cè)部分,首先詳細(xì)分析了基于碼本模型的背景差法,在原算法基礎(chǔ)上,將像素在時(shí)域視為高斯分布,使之更符合統(tǒng)計(jì)規(guī)律和人體視覺(jué)系統(tǒng),重新定義了碼本、亮度失真度及更新規(guī)則,從而能檢測(cè)更加完整的前景目標(biāo)。接著詳細(xì)分析了基于貝葉斯分類(lèi)的背景差法,并基于碼本模型中的顏色空間模型

3、,設(shè)計(jì)了新的閾值化法,能夠一定程度上抑制拖影現(xiàn)象。實(shí)驗(yàn)表明,這兩種背景差法在存在環(huán)境噪聲、運(yùn)動(dòng)的背景等情況下,都能有效地檢測(cè)出運(yùn)動(dòng)的物體。目標(biāo)跟蹤部分,在運(yùn)動(dòng)檢測(cè)的基礎(chǔ)上,給出了多物體跟蹤的框架,即將多物體跟蹤分解為多個(gè)單物體跟蹤的組合。一方面,將跟蹤問(wèn)題視為最優(yōu)狀態(tài)估計(jì)問(wèn)題,詳細(xì)研究了利用粒子濾波進(jìn)行物體跟蹤的算法流程和實(shí)現(xiàn)方法。并采用目標(biāo)顏色特征和運(yùn)動(dòng)特征相結(jié)合的似然函數(shù),以及采用MCMC改善粒子的重要性分布,從而提高了目標(biāo)跟蹤的精

4、度和效率。另一方面,將跟蹤問(wèn)題視為一分類(lèi)問(wèn)題,詳細(xì)研究了利用On-line Boosting實(shí)現(xiàn)物體跟蹤,據(jù)此分析了On-line Boosting算法、Absolute Haar特征、Haar-like特征、弱分類(lèi)器設(shè)計(jì)、On-line Boosting跟蹤流程。本文對(duì)原On-line Boosting算法的重要性權(quán)值更新策略進(jìn)行了改進(jìn),并采用上述粒子濾波器加快原On-line Boosting算法的跟蹤速度。數(shù)據(jù)關(guān)聯(lián)部分,考慮到跟蹤