基于空時關(guān)系學習的運動檢測和目標跟蹤研究.pdf

1、智慧城市是國家解決當前城市發(fā)展問題、增加新的經(jīng)濟增長點、搶占未來科技制高點的重要戰(zhàn)略，其核心建設(shè)內(nèi)容之一是智能交通。智能交通的關(guān)鍵技術(shù)大多涉及計算機視覺。本文利用空時關(guān)系學習對復雜場景下計算機視覺中運動目標檢測和目標跟蹤兩個核心問題進行了技術(shù)探索，研究成果應用于智能交通之智能電子警察系統(tǒng)，提高了電子警察系統(tǒng)對環(huán)境的適應性。對于運動目標檢測問題，分析了面對復雜場景代表性的運動檢測方法設(shè)計中存在的不足，歸納出形成復雜場景的主要因素，深入分析

2、了光照變化、背景擾動、相似目標、相機運動等因素對運動目標檢測產(chǎn)生不利影響的機理，分別提出了綜合利用視頻圖像序列在不同層面的多個因素、利用目標局部特征和空時關(guān)系以及利用目標與周圍環(huán)境的空時置信關(guān)系等進行運動目標檢測的方法;本文還對未知目標的長時間跟蹤問題進行了研究。復雜場景下的未知目標長時跟蹤面臨的問題包括:目標遮擋、目標外觀變化、目標尺度變化以及目標的短暫消失。深入分析了目標遮擋以及目標外觀變化等情況造成目標特征缺失或者不完整的情況下，

3、仍可利用的信息，分析并比較了代表性目標跟蹤算法應對目標尺度變化和目標短暫消失的處理策略，提出了一種結(jié)合目標自身特征和目標與周圍環(huán)境的空時聯(lián)系，可以長時間對未知目標進行穩(wěn)定跟蹤的方法;最后，將以上研究成果應用于智能電子警察系統(tǒng)，解決了研發(fā)過程中遇到的技術(shù)困難。本文的主要研究成果和貢獻:
　　1.分析了視頻目標檢測中復雜場景的主要組成因素，提出一種基于尺度不變局部三元模式(SILTP)的視頻圖像背景建模算法。根據(jù)復雜場景對視頻圖像序列

4、不同層次的不同影響，利用圖像幀級、圖像塊級和像素級三級信息設(shè)計背景建模算法。算法融合圖像幀、圖像塊和圖像像素三個層面的優(yōu)勢來應對復雜場景。在圖像幀級，利用全局灰度均值處理場景亮度突變;在圖像塊級，利用SILTP紋理圖像基于圖像塊進行背景建模，快速定位前景目標大致輪廓;在像素級，用類ViBe算法檢測前景目標精確邊界。此算法挖掘空時信息并融合利用，其性能在標準視頻集CDM'14上得到驗證。
　　2.面對視頻目標檢測的難點—目標自身投影

5、的消除問題，構(gòu)建了陰影光照模型，分析了目標陰影的種類及產(chǎn)生的原因。將紋理信息、色調(diào)信息和空時信息與ViBe算法相結(jié)合，提出了SAViBe+算法。首先，利用圖像紋理對光照變化的弱敏感性，消除室內(nèi)弱光照產(chǎn)生的目標投影;然后，在HSV顏色空間構(gòu)建色調(diào)(Hue)模型，利用物體顏色的固有特性消除室外光照造成的目標投影;最后，為了加強目標投影的消除效果，同時提高處理速度，利用像素變化的局部相關(guān)性設(shè)計了MofV因子。用標準視頻集CDM'14驗證了該算

6、法的性能。
　　3.提出在HSV顏色空間實現(xiàn)魯棒運動檢測的方法DMSTAB。在HSV顏色空間，通過K-means聚類，利用像素集的空時關(guān)聯(lián)產(chǎn)生像素的局部強度差，利用單高斯模型分別為像素的局部強度差和色調(diào)建模，然后，聯(lián)合兩者的結(jié)果尋找潛在的陰影像素點;接著，深入分析了ViBe背景差算法的工作原理，提出基于AdaBoost-Like方法利用潛在的陰影像素點構(gòu)建雙關(guān)聯(lián)背景模型，實現(xiàn)對運動目標快速精確的檢測，有效消除運動目標的自身投影。用

7、標準視頻集CDM'14上多種復雜場景驗證了該方法的性能。
　　4.提出基于空時置信關(guān)系進行運動目標檢測的方法STR。本文提出一種空時置信關(guān)系，定義了像素點與其環(huán)境鄰域像素點之間一種相對穩(wěn)定的聯(lián)系。首先，根據(jù)視覺聚焦特性和光照影響圖像亮度變化的規(guī)律，定義像素點與環(huán)境像素點的空域關(guān)系;然后，利用快速核密度估計方法對空域關(guān)系的時域變化建模;此外，根據(jù)空域關(guān)系值的分散度為模型分配相應的權(quán)重;最后，通過基于權(quán)重的概率綜合得到像素點屬于背景的

8、概率，完成運動目標檢測。該算法性能在標準視頻集CDM'14的典型復雜場景中得到驗證。
　　5.提出一種將目標與其環(huán)境的空時關(guān)聯(lián)信息和目標自身特征結(jié)合使用，對未知目標進行長時間、穩(wěn)定跟蹤的新方法LST。該方法借鑒TLD算法框架，通過檢測和跟蹤兩種獨立途徑對目標進行跟蹤。算法包括檢測、跟蹤和學習三個功能模塊。檢測模塊通過若干分類器級聯(lián)，根據(jù)目標自身基本的圖像特征在全局范圍內(nèi)檢測目標，處理目標短暫消失又重現(xiàn)、目標尺度變化以及環(huán)境干擾;跟

9、蹤模塊利用目標與其周圍環(huán)境的空時置信關(guān)系，通過局部搜索，快速跟蹤目標，處理目標遮擋、目標尺度變化;算法在運行過程中，通過維護一組由正樣本組成的在線模板，對跟蹤和檢測效果進行評測。學習模塊依據(jù)評測結(jié)果，調(diào)整檢測模塊和跟蹤模塊相關(guān)參數(shù)，實現(xiàn)算法的自學習。在若干對跟蹤算法極具挑戰(zhàn)性（嚴重遮擋、劇烈的光照變化、姿態(tài)和尺度變化、非剛性形變、復雜背景、運動模糊和相似目標）的數(shù)據(jù)集上比較了LST算法與主流視頻目標跟蹤算法的性能，LST算法展現(xiàn)出了較好