智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)研究.pdf

1、智能視頻監(jiān)控是近年來計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，其核心目的是在圖像處理、模式識(shí)別和人工智能等技術(shù)有效結(jié)合的基礎(chǔ)上，利用計(jì)算機(jī)對所獲取的圖像數(shù)據(jù)進(jìn)行自主的、逐層分步的計(jì)算與分析，實(shí)現(xiàn)對監(jiān)控場景所蘊(yùn)含的有效信息的感知、分析與理解。其研究成果已廣泛應(yīng)用于智能安防、智能交通、智能旅游、智慧城市及物聯(lián)網(wǎng)建設(shè)等諸多領(lǐng)域，產(chǎn)生了巨大的社會(huì)經(jīng)濟(jì)效益。
　　運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)是智能視頻監(jiān)控領(lǐng)域的核心基礎(chǔ)與關(guān)鍵技術(shù)，盡管近年來針對這一技術(shù)的研究已經(jīng)

2、取得了巨大的進(jìn)展，然而在各種復(fù)雜場景的條件下，仍然存在著算法準(zhǔn)確性、魯棒性及實(shí)時(shí)性不能完全滿足應(yīng)用需要的更深層次的技術(shù)挑戰(zhàn)。本文在現(xiàn)有研究成果的基礎(chǔ)上，以場景運(yùn)動(dòng)模式分析為出發(fā)點(diǎn)，針對運(yùn)動(dòng)目標(biāo)檢測與跟蹤中的關(guān)鍵技術(shù)和難點(diǎn)問題展開更加深入的探索與研究，其主要工作概括如下:
　　1)針對監(jiān)控場景局部區(qū)域運(yùn)動(dòng)規(guī)律的感知與表達(dá)，提出一種基于網(wǎng)格劃分的有向場景運(yùn)動(dòng)模式的建模和更新方法。該方法利用正方形網(wǎng)格將監(jiān)控場景劃分為多個(gè)子區(qū)域，通過建立

3、一種運(yùn)動(dòng)速率加權(quán)的光流方向直方圖，描述目標(biāo)在不同子區(qū)域產(chǎn)生不同方向運(yùn)動(dòng)行為的概率。依據(jù)提取的序列圖像中KLT角點(diǎn)特征，計(jì)算場景中的稀疏光流，再利用局部的光流信息采用線性插值算法對相應(yīng)子區(qū)域的方向直方圖進(jìn)行加權(quán)投票，從而實(shí)現(xiàn)對有向場景運(yùn)動(dòng)模式模型的在線更新。針對監(jiān)控相機(jī)與運(yùn)動(dòng)目標(biāo)的空間關(guān)系，算法還引入了區(qū)域相關(guān)的權(quán)值補(bǔ)償系數(shù)，以消除由于觀測角度不同可能導(dǎo)致的投票失衡問題。通過實(shí)驗(yàn)分析證明，該算法能夠較為準(zhǔn)確地描述場景中局部區(qū)域的運(yùn)動(dòng)規(guī)律，

4、并實(shí)現(xiàn)模型的快速在線更新。
　　2)針對場景區(qū)域劃分與場景運(yùn)動(dòng)模式之間的關(guān)系，提出一種基于背景分割的有向場景運(yùn)動(dòng)模式建模方法。該方法首先采用混合高斯模型提取監(jiān)控場景的背景圖像。通過基于K-means聚類的SLIC超像素分割方法，將其劃分為多個(gè)與場景元素邊緣吻合的超像素子區(qū)域。針對每個(gè)子區(qū)域，構(gòu)建一種基于LK光流的速率方向二維直方圖模型，用以描述局部區(qū)域的場景運(yùn)動(dòng)模式。實(shí)驗(yàn)表明，該模型能夠利用數(shù)量較少的超像素子區(qū)域，更為有效地表達(dá)局

5、部區(qū)域不同速率和方向的運(yùn)動(dòng)概率密度分布，在一定程度上克服了局部區(qū)域運(yùn)動(dòng)模式不一致的問題，提高了模型描述的準(zhǔn)確性，并滿足實(shí)時(shí)監(jiān)控系統(tǒng)的性能需求。
　　3)針對場景布局元素與場景運(yùn)動(dòng)模式之間的關(guān)系，提出一種基于有向場景運(yùn)動(dòng)模式的局部場景理解方法。該方法根據(jù)場景布局元素對目標(biāo)運(yùn)動(dòng)的影響，將場景區(qū)域分為路徑區(qū)域、出入口區(qū)域、徘徊區(qū)域和一般區(qū)域等類別，通過場景運(yùn)動(dòng)模式模型對不同子區(qū)域進(jìn)行標(biāo)注。首先依據(jù)速率方向直方圖獲取超像素子區(qū)域的高速運(yùn)動(dòng)

6、概率分布，進(jìn)而得到相鄰子區(qū)域的運(yùn)動(dòng)行為的角度相似性距離和頻率相似性距離，用以計(jì)算其運(yùn)動(dòng)轉(zhuǎn)移概率。通過由子區(qū)域的鄰接關(guān)系和運(yùn)動(dòng)轉(zhuǎn)移概率所建立的有向圖，將運(yùn)動(dòng)區(qū)域標(biāo)注問題轉(zhuǎn)化為對有向圖的最優(yōu)路徑搜索問題，從而實(shí)現(xiàn)對場景中主要運(yùn)動(dòng)路徑區(qū)域的標(biāo)注。其后，對運(yùn)動(dòng)路徑兩端的子區(qū)域使用DBSCAN密度聚類，以標(biāo)注不同的出入口子區(qū)域。最后，利用低速條件下不同方向運(yùn)動(dòng)概率的方差，來量化子區(qū)域的徘徊運(yùn)動(dòng)特性，實(shí)現(xiàn)對徘徊區(qū)域的標(biāo)注。實(shí)驗(yàn)分析表明，該方法能夠有

7、效獲取場景中的主要路徑、出入口和徘徊區(qū)域，實(shí)現(xiàn)對局部場景的語義理解。
　　4)針對運(yùn)動(dòng)目標(biāo)檢測與場景運(yùn)動(dòng)模式之間的關(guān)系，提出一種結(jié)合場景運(yùn)動(dòng)模式的并行級(jí)聯(lián)有向AdaBoost運(yùn)動(dòng)目標(biāo)檢測方法。該方法首先提出一種改進(jìn)的積分圖算法與積分直方圖算法，提取樣本中的Haar-like特征與方向梯度直方圖特征，用以描述目標(biāo)圖像的顏色與邊緣特性;其后針對場景運(yùn)動(dòng)模式模型的不同方向簇，基于Cascade級(jí)聯(lián)學(xué)習(xí)算法，對多個(gè)Gentle AdaBo

8、ost子分類器進(jìn)行訓(xùn)練;最后利用局部場景運(yùn)動(dòng)模式作為檢測先驗(yàn)，通過速率方向直方圖對區(qū)域運(yùn)動(dòng)的概率描述，并行地融合多個(gè)子分類器，形成對運(yùn)動(dòng)目標(biāo)檢測結(jié)果的最終決策。實(shí)驗(yàn)表明，這種目標(biāo)檢測方法能夠有效提高AdaBoost目標(biāo)檢測算法的分類性能，明顯地改善目標(biāo)檢測的準(zhǔn)確性和實(shí)時(shí)性。
　　5)針對運(yùn)動(dòng)目標(biāo)跟蹤與場景運(yùn)動(dòng)模式之間的關(guān)系，提出一種結(jié)合在線場景運(yùn)動(dòng)模式模型的粒子濾波運(yùn)動(dòng)目標(biāo)跟蹤方法。該方法首先采用通道加權(quán)的HSV空間顏色直方圖描述

9、運(yùn)動(dòng)目標(biāo)特性，通過定義色調(diào)通道的循環(huán)相關(guān)矩陣以消除光照變化造成的目標(biāo)色調(diào)分布平移問題。其次，使用場景運(yùn)動(dòng)模式模型對粒子的似然概率進(jìn)行修正，加快其向目標(biāo)真實(shí)狀態(tài)收斂的速度，并采用MCMC重采樣算法以克服粒子濾波的樣本退化和樣本枯竭問題。為實(shí)現(xiàn)場景運(yùn)動(dòng)模式的在線學(xué)習(xí)，本文還提出一種基于凸多邊形掃描線種子填充的遍歷算法，實(shí)現(xiàn)對目標(biāo)運(yùn)動(dòng)覆蓋的場景子區(qū)域的快速枚舉。通過對兩個(gè)不同特點(diǎn)的公共數(shù)據(jù)集視頻進(jìn)行目標(biāo)跟蹤實(shí)驗(yàn)，表明了該目標(biāo)跟蹤算法的平均跟蹤