復(fù)雜交通監(jiān)控場景下運動目標(biāo)檢測與跟蹤方法研究.pdf

1、交通監(jiān)控場景中情況各異、環(huán)境復(fù)雜,運動目標(biāo)的任意性和隨機性,以及光照、遮擋、目標(biāo)姿態(tài)等不確定性,使運動目標(biāo)檢測與跟蹤過程中出現(xiàn)的問題具有不可預(yù)測性。本文在復(fù)雜交通監(jiān)控場景中應(yīng)用單目攝像機獲取目標(biāo)區(qū)域,建立借助目標(biāo)特征實現(xiàn)目標(biāo)檢測與跟蹤方案。圍繞形變與尺度變化下目標(biāo)的檢測與跟蹤方法,研究了視頻中目標(biāo)區(qū)域的檢測和提取、基于目標(biāo)特征的識別與分類,以及復(fù)雜場景中尺度變化的目標(biāo)的跟蹤問題,這些問題形成了基于復(fù)雜交通監(jiān)控場景下運動目標(biāo)檢測與跟蹤方法

2、的技術(shù)研究。
　　論文的主要內(nèi)容如下:
　　1)提出一種基于量子聚類分析技術(shù)的像素塊編碼的交通背景提取方法。實際交通監(jiān)控中的場景狀況是不確定的,為了精確的提取前景需要用有效的方法對背景建立模型,了解視頻序列中像素變化并考慮到像素之間的相互關(guān)系。本文在經(jīng)典 Codebook方法的基礎(chǔ)上進行探索和研究,將視頻圖像劃分為像素塊,對像素塊進行聚類學(xué)習(xí)和編碼,在該編碼的基礎(chǔ)上用交替學(xué)習(xí)和更新的方法對編碼進行實時更新。實驗證明,本方法獲

3、取的前景干擾較少,目標(biāo)區(qū)域圖像較清晰;另外該方法計算簡單,加之采用交替更新的方法,實時性好,提取的前景具有較好的魯棒性。
　　2)提出一種基于 MRF的自適應(yīng)車輛陰影檢測和消除方法。對車輛陰影通過將前景與背景像素的顏色和局部紋理特征進行對比。顏色特征是用 HSI顏色空間特性,局部紋理則用SILTP編碼的漢明距離對陰影像素檢測,其中得閾值用極大似然估計的方法估計。在以上特征的基礎(chǔ)上,用馬爾可夫隨機場對像素標(biāo)記及其鄰域的相關(guān)性進行表示

4、,進而對陰影和非陰影像素進行分割。實驗結(jié)果表明,和其他方法相比該方法有相似或者更優(yōu)越的性能,能適應(yīng)光照的變化環(huán)境。
　　3)提出基于Gabor特征圖像上提取HOG特征的行人識別方法(在此簡稱GHOG方法)。針對場景中目標(biāo)姿態(tài)、光線等不斷變化的需求,該方法將視頻圖像和Gabor小波進行卷積,得到的40個小波圖像進行尺度和方向上進行融合,形成一幅Gabor的融合圖像;在此基礎(chǔ)上進行HOG特征提取,根據(jù)提取的HOG特征用Real Ada

5、boost級聯(lián)分類的方法進行目標(biāo)識別。實驗證明,該方法能有效降低錯誤檢測率;對目標(biāo)在Gabor特征圖像融合過程中采取了編碼的方式,使計算量也有效降低。
　　4)提出一種對于目標(biāo)圖像分塊稀疏表示和貝葉斯估計進行目標(biāo)跟蹤的方法。針對目標(biāo)跟蹤過程中遮擋問題,該方法根據(jù)基礎(chǔ)樣本庫子空間的塊對目標(biāo)的外觀進行稀疏線性組合表示,為了實時更新目標(biāo)模板,采用了增量學(xué)習(xí)的方法來適應(yīng)不斷變化的目標(biāo)。然后建立了基于重建圖像和觀察目標(biāo)的近似誤差的概率觀察模