視頻監(jiān)控中的時空顯著目標跟蹤.pdf

1、視頻數據以非結構化形式存在且數量巨大，模擬人類視覺系統(tǒng)快速抽取信息的顯著性檢測是計算機視覺中的一個熱點。顯著目標是圖像或視頻中感興趣的對象，也是構成視頻場景內容的主要實體。因此借助顯著目標進行目標檢測、定位、識別和跟蹤可以快速、高效地實現視頻監(jiān)控。近年來的研究表明通過多特征融合方法可以得到比較好的顯著圖。本文以視頻序列作為研究對象，主要研究了基于時空顯著性的顯著目標檢測、分割和跟蹤方法。
　　本研究主要內容包括：⑴針對現有方法以視

2、頻幀中心作為位置先驗，沒有充分利用視頻的運動連續(xù)性信息以及現有方法使用邊緣和連通性作為背景的先驗不能很好地處理紋理復雜的場景導致的顯著區(qū)域錯誤提取的問題，本文考慮監(jiān)控視頻中相鄰幀顯著區(qū)域的空間連續(xù)性，提出改進的先驗和時空特征相結合的顯著性檢測模型。該模型通過得到的檢測結果計算位置先驗；以時間維度上的均值濾波得到背景作為背景先驗；然后將背景和位置先驗與速度加速度先驗融合成先驗顯著圖，最后與顏色、運動大小和方向構成的對比度特征顯著圖相融合形

3、成最終的顯著圖。在標準數據庫和監(jiān)控視頻上的實驗結果表明，提出方法得到的顯著圖很好地抑制了背景，突出了顯著目標。⑵顯著區(qū)域的確定是目標完整性提取的關鍵，針對現有顯著區(qū)域提取方法存在的這一不足，從顯著圖出發(fā)，在充分分析各種目標分割算法的基礎上，選用改進的區(qū)域生長方法對顯著圖進行顯著目標的提取。在實際監(jiān)控視頻上的實驗比較分析發(fā)現，改進的區(qū)域生長顯著區(qū)域提取方法具有較好的目標區(qū)域提取性能，可以有效地保證視頻監(jiān)控中顯著目標的完整性，便于后續(xù)的目標

4、跟蹤。⑶針對傳統(tǒng)Mean Shift跟蹤缺乏目標模板更新導致對變化較快的目標無法跟蹤，以及Kalman濾波和Mean Shift無法處理多目標跟蹤的問題，在顯著目標檢測與數據關聯的基礎上，本文將Mean Shift和Kalman濾波方法相結合，進行顯著目標的跟蹤。該方法在傳統(tǒng)的Mean Shift算法中加入模板更新，利用Kalman濾波預測下一幀中的目標位置，加快搜索速度，并且通過數據關聯匹配檢測窗口和目標模板。實驗證明本文的方法有效提