復雜交通場景中運動目標智能監(jiān)控.pdf

1、隨著社會的進步和發(fā)展，人們的安防意識不斷提高，世界各國對公共安全也越來越重視。大量的視頻監(jiān)控系統(tǒng)被用于人們?nèi)粘Ｉ詈蜕a(chǎn)的各個領域。然而目前這些系統(tǒng)的智能性不高，對視頻錄像的處理能力低，利用效率差。因此，智能視頻監(jiān)控作為一個新興的研究和應用方向受到學術界、產(chǎn)業(yè)界和管理部門的高度重視。
　　本文以交通監(jiān)控視頻為研究對象，就其智能處理中存在的問題進行深入研究。交通場景是人們最關注的公共場所，也是各國安防中重點監(jiān)控對象。因此本文的研究具

2、有較強的應用需求以及廣闊的發(fā)展前景。交通場景往往復雜多變，各種干擾不斷，目標在運動中可能被陰影覆蓋、被其它目標遮擋，目標特征也會隨其與攝像頭的角度與距離的變化而發(fā)生很大變化。在這種場景下，要做到對目標的精確檢測、準確跟蹤和正確分類是相當有挑戰(zhàn)性的，因此本文的研究具有較強的學術研究價值。
　　本文在學習計算機視覺相關理論和現(xiàn)有研究成果的基礎上，對交通場景中目標的檢測、跟蹤和分類問題進行深入研究，分別提出了具有針對性的算法。最后以提出

3、的算法為基礎，設計并實現(xiàn)了一套智能交通視頻監(jiān)控系統(tǒng)，用于目標違規(guī)行駛的預警和指定目標的快速檢索。歸納起來本文主要完成了以下幾項工作:
　　1)提出了一種基于運動反饋的背景建模方法。傳統(tǒng)的背景建模方法對整個場景采用統(tǒng)一的更新策略對背景模型進行更新。但場景中各像素的特性是不一樣的，有的像素處需對背景模型進行快速更新，有的地方需要進行較慢的更新甚至不更新。本文提出將運動目標的跟蹤結果反饋回來用于指導背景模型的更新。其將場景劃分為四種不同

4、類型的區(qū)域，之后在不同區(qū)域采用相應的不同的策略對背景模型進行更新。本文方法建立的模型既對背景的變化保持魯棒性，又對前景變動保持敏感性。此外，場景類型的錯誤劃分對本文方法性能影響比較小;且該方法計算復雜度較低，能滿足實時應用的需求。
　　2)提出了一種基于運動反饋的前景分割方法。一般的前景分割方法對整個場景采用統(tǒng)一的分割策略對前景進行分割。但場景中不同像素處的特性不一樣，有的地方需要較嚴的分割策略來抑制噪聲、防止虛警，有的地方需要較

5、松的分割策略來防止前景空洞和割裂情形的出現(xiàn)。本文提出將運動目標的跟蹤結果反饋回來指導前景的分割。通過反饋預測出下幀中目標區(qū)域和非目標區(qū)域，在目標區(qū)域自適應地調(diào)整分割閾值，抑制前景空洞和割裂情形的出現(xiàn)，在非目標區(qū)域采用較嚴的策略來防止虛警。
　　3)提出了一種遮擋自適應的目標跟蹤方法。在交通場景中目標間遮擋運動是不可避免的問題，解決不好將影響系統(tǒng)的性能。本文根據(jù)目標外接矩形的變化特性，將目標運動狀態(tài)分為獨立運動狀態(tài)、遮擋運動狀態(tài)和分

6、裂運動狀態(tài)三種。之后針對不同狀態(tài)采用相應的策略對目標進行跟蹤。本文提出的方法對目標部分遮擋的情形和目標完全遮擋的情形都適用，能準確檢測出目標的運動狀態(tài)，對目標進行準確地跟蹤。
　　4)提出了一種場景自適應的目標分類方法。一般的方法對場景中目標進行分類時采用統(tǒng)一的分類規(guī)則。當目標在場景中不同位置，體現(xiàn)的特征發(fā)生變化時，這些方法的分類效果將受到影響。本文采用分治的策略，為場景不同位置訓練不同的分類策略，之后將目標在不同位置的分類結果進