基于視頻的目標檢測、跟蹤及其行為識別研究.pdf

1、目標的檢測、跟蹤與行為識別作為視頻監(jiān)控的主要研究內容，是當前計算機視覺領域的研究熱點，其不但具有重要的實際意義，而且對計算機視覺的其他研究領域有著重要的推動作用。視頻監(jiān)控技術研究的主要目的是賦予機器視覺系統(tǒng)人類的視覺感知功能，以能夠在圖像序列中發(fā)現(xiàn)目標、跟蹤目標，并對目標的行為進行識別和理解。經過幾十年尤其是近十年的不懈研究，上述技術取得了長足的進步，但實踐表明一般意義上的目標檢測、跟蹤與行為識別技術還遠未成熟，要開發(fā)出真正魯棒、實用的

2、視頻監(jiān)控系統(tǒng)還需要更為魯棒的核心算法。本論文主要對視頻監(jiān)控相關的關鍵技術進行研究，研究內容涉及目標的檢測、目標的跟蹤以及人體行為識別等方向，內容涵蓋了可見光圖像和紅外圖像領域。現(xiàn)對論文的主要創(chuàng)新點概述如下： 1)提出一種基于幾何約束和顏色信息的人臉檢測算法該方法在充分考慮人臉區(qū)域與頭發(fā)區(qū)域的顏色特征與幾何關系的基礎上，給出了用于描述人臉區(qū)域和頭發(fā)區(qū)域之間幾何約束的表達模型；在對膚色區(qū)域和頭發(fā)區(qū)域分別進行檢測后，根據(jù)不同候選區(qū)域之

3、間的幾何關系，通過幾何約束對人臉和頭發(fā)可能存在的區(qū)域進行特征判別，完成對圖像中的人臉檢測。 2)分別提出一種單幅紅外圖像中和序列紅外圖像中的人體檢測方法在單幅紅外圖像中，針對紅外圖像中人體圖像亮度較高的特點，首先通過亮度方向投影確定可能存在人體的候選區(qū)域，進而采用方向梯度直方圖對候選目標進行描述。最后將方向梯度直方圖作為輸入向量采用。Fisher線性判別和貝葉斯分類器對候選目標進行分類，完成對候選目標中存在的人體進行檢測。在紅外

4、序列圖像中，首先采用自適應高斯混合模型對序列圖像進行背景建模，在準確分割出前景目標的基礎上，設計了一種新的人體目標表達模型。以人體表達模型作為輸入向量，構建支持向量機對人體目標進行分類判別。在不同的紅外場景下進行人體檢測實驗時，所提出的兩種算法均取得了滿意的檢測效果。 3)從自適應目標表達特征的選取和遮擋情況下的目標跟蹤兩個角度出發(fā)對Mean-Shift框架下的目標跟蹤問題進行了改進Mean-ShiR框架下的目標跟蹤大多采用靜態(tài)

5、目標表達模型，這在動態(tài)變化的場景中容易導致跟蹤失敗。針對該缺點，論文提出一種基于自適應特征生成模型的目標跟蹤方法。通過構建目標和背景的局部信噪比，對當前目標所處特征空間的可跟蹤性進行量化評估，選用性能最優(yōu)的表達模型作為當前的特征跟蹤模型。實驗表明，與采用靜態(tài)模型相比，提出的算法具有更好的魯棒性和可行性。 經典的Mean-Shift算法要求目標在連續(xù)兩幀之間部分的重合，在目標發(fā)生遮擋時難以滿足該條件。該論文將目標的運動在較短時間內

6、看作一時不變系統(tǒng)，通過引入Kalman濾波進行參數(shù)辨識而使發(fā)生遮擋后的跟蹤系統(tǒng)具有后續(xù)狀態(tài)預測的能力。整個跟蹤過程分為Mean-Shift跟蹤下的Kalman參數(shù)辨識和基于Kalman狀態(tài)估計的Bhattacharyya系數(shù)分析兩個子過程交替執(zhí)行。對不同的視頻序列測試的結果表明，算法能夠對發(fā)生遮擋后的目標進行持續(xù)、穩(wěn)健的跟蹤。 4)在粒子濾波跟蹤框架下提出一種多線索融合方法在復雜的動態(tài)背景下，采用多線索進行目標跟蹤可以提高系統(tǒng)的

7、魯棒性。論文在注意到不同特征具有不同的鑒別性能的基礎上，從分析采樣粒子和參考樣本的特征空間距離和物理距離之間的關系出發(fā)，提出相對鑒別系數(shù)這一概念對不同特征間的鑒別性能進行描述，進而采用二次加權的方法對不同特征進行融合。實驗結果表明，所提出的算法在多個復雜場景下均能夠對目標進行準確、魯棒的跟蹤。 5)提出一種基于周期運動分析的人體運動識別方法人體運動識別是視頻監(jiān)控的最終研究目標之一，論文對此提出一種基于周期運動分析的人體運動識別方