智能視頻監(jiān)控中的運動目標檢測與跟蹤技術(shù)研究.pdf

1、智能視頻監(jiān)控是近年來計算機視覺領(lǐng)域的研究熱點，其核心目的是在圖像處理、模式識別和人工智能等技術(shù)有效結(jié)合的基礎(chǔ)上，利用計算機對所獲取的圖像數(shù)據(jù)進行自主的、逐層分步的計算與分析，實現(xiàn)對監(jiān)控場景所蘊含的有效信息的感知、分析與理解。其研究成果已廣泛應用于智能安防、智能交通、智能旅游、智慧城市及物聯(lián)網(wǎng)建設(shè)等諸多領(lǐng)域，產(chǎn)生了巨大的社會經(jīng)濟效益。
　　運動目標檢測與跟蹤技術(shù)是智能視頻監(jiān)控領(lǐng)域的核心基礎(chǔ)與關(guān)鍵技術(shù)，盡管近年來針對這一技術(shù)的研究已經(jīng)

2、取得了巨大的進展，然而在各種復雜場景的條件下，仍然存在著算法準確性、魯棒性及實時性不能完全滿足應用需要的更深層次的技術(shù)挑戰(zhàn)。本文在現(xiàn)有研究成果的基礎(chǔ)上，以場景運動模式分析為出發(fā)點，針對運動目標檢測與跟蹤中的關(guān)鍵技術(shù)和難點問題展開更加深入的探索與研究，其主要工作概括如下:
　　1)針對監(jiān)控場景局部區(qū)域運動規(guī)律的感知與表達，提出一種基于網(wǎng)格劃分的有向場景運動模式的建模和更新方法。該方法利用正方形網(wǎng)格將監(jiān)控場景劃分為多個子區(qū)域，通過建立

3、一種運動速率加權(quán)的光流方向直方圖，描述目標在不同子區(qū)域產(chǎn)生不同方向運動行為的概率。依據(jù)提取的序列圖像中KLT角點特征，計算場景中的稀疏光流，再利用局部的光流信息采用線性插值算法對相應子區(qū)域的方向直方圖進行加權(quán)投票，從而實現(xiàn)對有向場景運動模式模型的在線更新。針對監(jiān)控相機與運動目標的空間關(guān)系，算法還引入了區(qū)域相關(guān)的權(quán)值補償系數(shù)，以消除由于觀測角度不同可能導致的投票失衡問題。通過實驗分析證明，該算法能夠較為準確地描述場景中局部區(qū)域的運動規(guī)律，

4、并實現(xiàn)模型的快速在線更新。
　　2)針對場景區(qū)域劃分與場景運動模式之間的關(guān)系，提出一種基于背景分割的有向場景運動模式建模方法。該方法首先采用混合高斯模型提取監(jiān)控場景的背景圖像。通過基于K-means聚類的SLIC超像素分割方法，將其劃分為多個與場景元素邊緣吻合的超像素子區(qū)域。針對每個子區(qū)域，構(gòu)建一種基于LK光流的速率方向二維直方圖模型，用以描述局部區(qū)域的場景運動模式。實驗表明，該模型能夠利用數(shù)量較少的超像素子區(qū)域，更為有效地表達局

5、部區(qū)域不同速率和方向的運動概率密度分布，在一定程度上克服了局部區(qū)域運動模式不一致的問題，提高了模型描述的準確性，并滿足實時監(jiān)控系統(tǒng)的性能需求。
　　3)針對場景布局元素與場景運動模式之間的關(guān)系，提出一種基于有向場景運動模式的局部場景理解方法。該方法根據(jù)場景布局元素對目標運動的影響，將場景區(qū)域分為路徑區(qū)域、出入口區(qū)域、徘徊區(qū)域和一般區(qū)域等類別，通過場景運動模式模型對不同子區(qū)域進行標注。首先依據(jù)速率方向直方圖獲取超像素子區(qū)域的高速運動

6、概率分布，進而得到相鄰子區(qū)域的運動行為的角度相似性距離和頻率相似性距離，用以計算其運動轉(zhuǎn)移概率。通過由子區(qū)域的鄰接關(guān)系和運動轉(zhuǎn)移概率所建立的有向圖，將運動區(qū)域標注問題轉(zhuǎn)化為對有向圖的最優(yōu)路徑搜索問題，從而實現(xiàn)對場景中主要運動路徑區(qū)域的標注。其后，對運動路徑兩端的子區(qū)域使用DBSCAN密度聚類，以標注不同的出入口子區(qū)域。最后，利用低速條件下不同方向運動概率的方差，來量化子區(qū)域的徘徊運動特性，實現(xiàn)對徘徊區(qū)域的標注。實驗分析表明，該方法能夠有

7、效獲取場景中的主要路徑、出入口和徘徊區(qū)域，實現(xiàn)對局部場景的語義理解。
　　4)針對運動目標檢測與場景運動模式之間的關(guān)系，提出一種結(jié)合場景運動模式的并行級聯(lián)有向AdaBoost運動目標檢測方法。該方法首先提出一種改進的積分圖算法與積分直方圖算法，提取樣本中的Haar-like特征與方向梯度直方圖特征，用以描述目標圖像的顏色與邊緣特性;其后針對場景運動模式模型的不同方向簇，基于Cascade級聯(lián)學習算法，對多個Gentle AdaBo

8、ost子分類器進行訓練;最后利用局部場景運動模式作為檢測先驗，通過速率方向直方圖對區(qū)域運動的概率描述，并行地融合多個子分類器，形成對運動目標檢測結(jié)果的最終決策。實驗表明，這種目標檢測方法能夠有效提高AdaBoost目標檢測算法的分類性能，明顯地改善目標檢測的準確性和實時性。
　　5)針對運動目標跟蹤與場景運動模式之間的關(guān)系，提出一種結(jié)合在線場景運動模式模型的粒子濾波運動目標跟蹤方法。該方法首先采用通道加權(quán)的HSV空間顏色直方圖描述

9、運動目標特性，通過定義色調(diào)通道的循環(huán)相關(guān)矩陣以消除光照變化造成的目標色調(diào)分布平移問題。其次，使用場景運動模式模型對粒子的似然概率進行修正，加快其向目標真實狀態(tài)收斂的速度，并采用MCMC重采樣算法以克服粒子濾波的樣本退化和樣本枯竭問題。為實現(xiàn)場景運動模式的在線學習，本文還提出一種基于凸多邊形掃描線種子填充的遍歷算法，實現(xiàn)對目標運動覆蓋的場景子區(qū)域的快速枚舉。通過對兩個不同特點的公共數(shù)據(jù)集視頻進行目標跟蹤實驗，表明了該目標跟蹤算法的平均跟蹤