面向視頻監(jiān)控的動態(tài)目標檢測、跟蹤與識別關鍵技術研究.pdf

1、視頻圖像序列中運動日標的檢測、跟蹤與識別是當前計算機視覺領域的研究熱點，目標的檢測與跟蹤是為了準確地從背景中找到目標，從而為目標的識別與行為分析提供更加精煉、準確、不變性和可區(qū)分性更強的特征。因此，視頻口標的檢測與跟蹤已經成為視頻監(jiān)控、機器視覺系統(tǒng)、視覺精確制導等諸多應用方向中的核心技術，具有重要的理論研究意義與廣闊的應用前景。
　　在視頻目標檢測與跟蹤的研究方法中，基于活動輪廓模型理論的目標分割與跟蹤算法是近年來發(fā)展最快的研究方

2、向之一?；顒虞喞Ｐ蛯⒏邔酉闰炛R與低層視覺任務相結合，自上而下地實現(xiàn)對視覺任務的處理，為計算機視覺問題的解決提供了嶄新的理論框架。本文針對動態(tài)目標檢測、目標跟蹤和行為識別方面的理論和應用展開研究，主要研究內容和成果體現(xiàn)在以下幾個方面:
　　針對目前常采用的運動目標檢測方法存在的缺點，提出了時空結合的運動目標檢測方法，先利用時間分割再進行空間分割的思想。首先，通過自適應閾值獲得當前幀與背景的差圖像，進行連通域分析和設定閾值，消除噪

3、聲確定運動目標的區(qū)域。其次，在提取出的運動窗口區(qū)域應用一種基于邊界的二值化水平集+高斯平滑的運動目標檢測方法進行精確檢測。二值化水平集是基于幾何活動輪廓框架，采用二值水平集函數(shù)代替?zhèn)鹘y(tǒng)水平集函數(shù)，避免了傳統(tǒng)水平集函數(shù)需要重新初始化為符號距離函數(shù)的過程，解決了計算量大，實現(xiàn)復雜等缺點。實現(xiàn)了在攝像機靜止條件下剛體或非剛體的運動目標檢測。實驗表明，該方法能應用于實際的交通視頻，簡單有效，獲得封閉和完整的運動目標輪廓。
　　針對GAC模

4、型是對灰度圖像進行圖像分割，本文將其應用到矢量圖像中，提出基于水平集理論的改進變分GAC矢量模型與背景差分相結合的時空聯(lián)合運動目標檢測方法。把基于背景差分時間分割后得到的運動窗口作為曲線演化的初始輪廓，引入距離規(guī)則化項到GAC矢量模型中，不僅消除了水平集重新初始化的需要而且避免了因此而導致的數(shù)值錯誤，在演化過程中保持了水平集函數(shù)的規(guī)則化，得到準確的運動目標輪廓，提高了演化的效率和穩(wěn)定性。實驗結果表明，該方法適用于剛體和非剛體目標，在部分

5、遮擋的情況下也能保持良好的檢測效果。
　　針對基于水平集的幾何活動輪廓模型能較好地適應曲線拓撲變化，為了跟蹤和獲取運動目標的輪廓信息，提出了一種基于改進GAC矢量模型和Kalman濾波相結合的線性運動目標跟蹤算法。該算法首先設置一定閡值，刪除運動區(qū)域面積過大或過小的區(qū)域，然后對剩余目標在運動窗口區(qū)域內采用改進的GAC矢量模型進行曲線演化，在運動目標的真實輪廓處收斂;得到目標輪廓曲線后進行目標特征的提取，通過計算輪廓的面積、質心等參

6、數(shù)得到目標及其相關特征（目標輪廓的面積、目標質心）。然后通過結合Kalman濾波預測目標下一幀位置，最終實現(xiàn)對目標的跟蹤。
　　針對粒子濾波的退化現(xiàn)象，對于非線性目標跟蹤，一個確定的模型難以描述運動中口標輪廓的變化，從而增加了跟蹤與提取的精度，本文受CV模型提出者Tony Chan采用基于區(qū)域的CV模型進行目標跟蹤的啟發(fā)。以此為跟蹤基礎，提出將免重新初始化的改進LBF模型與高斯粒子濾波相結合，此算法能夠更好地對運動目標進行跟蹤。首

7、先用高斯粒子濾波跟蹤運動目標區(qū)域，然后把距離規(guī)則化項引入到改進模型中，以外接矩形區(qū)域的質心為基礎對水平集進行初始化，應用改進后的LBF模型進行曲線演化，可以獲得比較精確的目標輪廓，最后將輪廓的提取結果反饋到跟蹤框架中，動態(tài)更新參考模板，獲得了較理想的跟蹤效果。
　　目標行為識別屬于計算機視覺中的高層視覺，行為分為“事件”和“活動”兩類，本文以道路交通應用為例，提出了基于HMM的多特征融合交通事件檢測算法。首先根據(jù)用戶需求選擇待檢測