視頻場景中的群體目標分析研究.pdf

1、計算機視覺已成為一個非?；钴S的研究領(lǐng)域，它涉及信號采集、圖像處理、機器學(xué)習(xí)、模式識別、行為控制甚至認知科學(xué)等多門學(xué)科，主要研究視頻圖像序列中目標的檢測、跟蹤、行為分析與識別等問題。視頻中目標檢測和跟蹤是計算機視覺的一個方向，目前這方面的研究大多數(shù)集中在單或多個物體和人的檢測和跟蹤。多目標檢測和跟蹤，也往往將檢測和跟蹤的目標局限在十個以內(nèi)。
　　 隨著人口數(shù)目的增加、城市化進程的加快、社會活動頻繁增加，公共場合正變得越來越擁擠，大

2、型的集會也日漸增多。于是，對群體活動視頻監(jiān)測的要求變得越來越迫切，但是目前很少有研究涉及群體目標檢測和分析。針對這個問題，我們做了如下研究工作：
　　 首先，本文對運動場和光流場進行了概述。運動場是描述目標運動的矢量，在沒有光照影響的情況下，光流場可以用來表示運動場。光流場是指圖像亮度模式的表觀運動，可以通過添加限制條件來求解光流約束方程來獲得。Lucas-Kanade光流法是比較適合群體運動目標檢測和分類的一種光流法，本文用此

3、光流法計算光流場。
　　 混沌動力學(xué)中，拉格朗日方法嘗試跟蹤運動流中各像素點的運動軌跡，是處理流體的一種方法。由于群體運動目標的高密度性，可以被認作流體，用混沌動力學(xué)的方法處理。有限時間李亞普諾夫指數(shù)表示相近粒子間的混合和分離性，反映粒子間的分離程度。根據(jù)流圖，通過計算龍哥庫塔方程獲得有限時間李亞普諾夫指數(shù)圖像。文中比較了運用立體插值和三維反距離加權(quán)插值算法對結(jié)果的影響，得到運算簡單三維反距離加權(quán)插值算法更適合實時的應(yīng)用于群體運

4、動目標的檢測和分析的結(jié)論。
　　 根據(jù)獲得的有限時間李亞普諾夫指數(shù)圖像，可以獲得運動區(qū)域。本文提出了一種改進的Bemsen自適應(yīng)二值化算法獲得有限時間李亞普諾夫指數(shù)圖像的二值圖像。然后用形態(tài)學(xué)的方法獲得大概的運動區(qū)域。這時的運動區(qū)域存在一個問題是：存在一些“空洞”。為了處理這個問題，可以采用Freeman輪廓提取并填充的方法。
　　 在運動區(qū)域獲得后，需要對其進行分析。本文的分析從兩方面進行：方向和密度。對于方向分析，用

5、光流場來獲得。提出一種改進的K-均值聚類的方法獲得的光流場方向圖像。由于視頻本身質(zhì)量原因，得到的結(jié)果斑駁不諶。又提出一種小輪廓融合算法對上述結(jié)果做改進，有效地去除了各種雜質(zhì)。對于密度分析，本文采用了紋理的方法。灰度共生矩陣分析是一種紋理分析的方法，其特征參數(shù)從不同方面描述圖像的紋理。其中對比度反映溝紋的清晰程度，紋理的細致程度，可以通過它獲得該運動區(qū)域的密度信息。根據(jù)各個方向不同的密度信息，通過貝葉斯分類，將不同方向的群體運動目標劃分為

6、：稀疏、中等和密集。
　　 本文各種算法均通過采用C語言并結(jié)合Intel OpenCV庫實現(xiàn)。將密集群體系統(tǒng)作為混沌系統(tǒng)處理，首先求解FTLE場。求解龍哥庫塔方程時采用反距離加權(quán)插值算法，并排除FTLE中標識為非混沌系統(tǒng)的點，表示流動的部分。再用形態(tài)學(xué)方法處理FTLE場圖后獲得運動區(qū)域。然后，對運動目標區(qū)域進行方向分析，使用了改進的K-均值聚類的方法，并提出小輪廓融合算法吸收雜質(zhì)以優(yōu)化分割結(jié)果。接著對運動目標區(qū)域進行密度分析，對