復(fù)雜交通監(jiān)控場(chǎng)景下運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究.pdf

1、交通監(jiān)控場(chǎng)景中情況各異、環(huán)境復(fù)雜,運(yùn)動(dòng)目標(biāo)的任意性和隨機(jī)性,以及光照、遮擋、目標(biāo)姿態(tài)等不確定性,使運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤過(guò)程中出現(xiàn)的問(wèn)題具有不可預(yù)測(cè)性。本文在復(fù)雜交通監(jiān)控場(chǎng)景中應(yīng)用單目攝像機(jī)獲取目標(biāo)區(qū)域,建立借助目標(biāo)特征實(shí)現(xiàn)目標(biāo)檢測(cè)與跟蹤方案。圍繞形變與尺度變化下目標(biāo)的檢測(cè)與跟蹤方法,研究了視頻中目標(biāo)區(qū)域的檢測(cè)和提取、基于目標(biāo)特征的識(shí)別與分類(lèi),以及復(fù)雜場(chǎng)景中尺度變化的目標(biāo)的跟蹤問(wèn)題,這些問(wèn)題形成了基于復(fù)雜交通監(jiān)控場(chǎng)景下運(yùn)動(dòng)目標(biāo)檢測(cè)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(lèi)分析技術(shù)的像素塊編碼的交通背景提取方法。實(shí)際交通監(jiān)控中的場(chǎng)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(duì)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(jìn)行探索和研究,將視頻圖像劃分為像素塊,對(duì)像素塊進(jìn)行聚類(lèi)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(duì)編碼進(jìn)行實(shí)時(shí)更新。實(shí)驗(yàn)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(jì)算簡(jiǎn)單,加之采用交替更新的方法,實(shí)時(shí)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(chē)輛陰影檢測(cè)和消除方法。對(duì)車(chē)輛陰影通過(guò)將前景與背景像素的顏色和局部紋理特征進(jìn)行對(duì)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(duì)陰影像素檢測(cè),其中得閾值用極大似然估計(jì)的方法估計(jì)。在以上特征的基礎(chǔ)上,用馬爾可夫隨機(jī)場(chǎng)對(duì)像素標(biāo)記及其鄰域的相關(guān)性進(jìn)行表示

4、,進(jìn)而對(duì)陰影和非陰影像素進(jìn)行分割。實(shí)驗(yàn)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(shí)別方法(在此簡(jiǎn)稱(chēng)GHOG方法)。針對(duì)場(chǎng)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(jìn)行卷積,得到的40個(gè)小波圖像進(jìn)行尺度和方向上進(jìn)行融合,形成一幅Gabor的融合圖像;在此基礎(chǔ)上進(jìn)行HOG特征提取,根據(jù)提取的HOG特征用Real Ada

5、boost級(jí)聯(lián)分類(lèi)的方法進(jìn)行目標(biāo)識(shí)別。實(shí)驗(yàn)證明,該方法能有效降低錯(cuò)誤檢測(cè)率;對(duì)目標(biāo)在Gabor特征圖像融合過(guò)程中采取了編碼的方式,使計(jì)算量也有效降低。
　　4)提出一種對(duì)于目標(biāo)圖像分塊稀疏表示和貝葉斯估計(jì)進(jìn)行目標(biāo)跟蹤的方法。針對(duì)目標(biāo)跟蹤過(guò)程中遮擋問(wèn)題,該方法根據(jù)基礎(chǔ)樣本庫(kù)子空間的塊對(duì)目標(biāo)的外觀進(jìn)行稀疏線性組合表示,為了實(shí)時(shí)更新目標(biāo)模板,采用了增量學(xué)習(xí)的方法來(lái)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