基于運動目標的視頻濃縮技術(shù)研究.pdf

1、隨著“平安城市”理念的提出，數(shù)以萬計的監(jiān)控設(shè)備被安裝到銀行、學校、走廊等地方，每天都會產(chǎn)生大量的監(jiān)控視頻，這給我們的視頻瀏覽、檢索、存儲等工作帶來巨大的挑戰(zhàn)。而視頻濃縮技術(shù)正是解決這些問題的一種有效手段，在大大縮短監(jiān)控視頻的長度的同時卻不丟失原始視頻中的運動信息。該技術(shù)不但可以實現(xiàn)高效存儲，而且更便于用戶瀏覽、檢索監(jiān)控視頻，已然成為當下處理監(jiān)控視頻的一項熱門技術(shù)。
　　本文先系統(tǒng)地闡述了監(jiān)控視頻的濃縮原理，然后分別介紹了整個濃縮過

2、程中幾個關(guān)鍵的流程步驟，如運動物體檢測、運動物體跟蹤、軌跡的組合優(yōu)化等，針對這幾個步驟中現(xiàn)有算法的局限性，本文分別提出了相應(yīng)的改進算法，最后得到濃縮結(jié)果。論文的主要工作如下：
　　由于基于單一特征的背景建模方法存在一定的局限性，所以為了提高運動物體檢測的魯棒性和準確性，本文提出了一種基于紋理特征的SI LTP和基于顏色特征的單高斯相結(jié)合的背景建模算法。在該方法中，首先利用SILTP的紋理模型提取運動前景和背景，然后再利用單高斯顏色

3、模型對目標紋理與背景紋理相近處進行檢測，從而修正誤判的前景和背景。實驗結(jié)果表明：與其他單一特征的背景建模方法相比，本算法檢測出的運動物體輪廓更加清晰，在召回率和虛警率上均優(yōu)于單一特征的背景建模方法。
　　為了提高運動物體跟蹤的準確度，本文提出了一種基于 Camshift與SIFT線性融合的軌跡跟蹤算法。在該融合算法中，首先利用Camshift跟蹤算法對運動物體進行一個初始的跟蹤，得到跟蹤區(qū)域，然后再利用 SIFT對跟蹤區(qū)域進行特征

4、提取與匹配，校準跟蹤區(qū)域，最后將Camshift的跟蹤結(jié)果與校準結(jié)果進行線性融合，得到最終的軌跡跟蹤結(jié)果。實驗結(jié)果表明：與MeanShift和Camshift相比，本算法的跟蹤誤差最小，能較好地完成目標的跟蹤。
　　為了保持濃縮視頻的空間一致性和減少碰撞，本文提出了一種基于時間軸轉(zhuǎn)移的軌跡優(yōu)化方法。在該方法中，利用能量代價函數(shù)來衡量原始視頻到濃縮視頻的轉(zhuǎn)化，當能量代價函數(shù)最小時，軌跡的優(yōu)化效果最好。最后在原視頻中更新提取背景圖像，