论文部分内容阅读
随着科学技术的快速发展,视频跟踪技术在人们生活中的应用范围越来越广,已成为行业内的研究热点之一。视频跟踪技术主要应用于对视频中人物或物体的识别和跟踪,以及对视频中的特殊或异常事件的检测和识别等方面,具有实时性和准确性双重需求。然而在实际中它的发展和应用受到以下两方面因素制约:一方面,视频分辨率正朝着高清甚至超高清方向发展,其中超高清视频中每帧所包含的像素点高达千万之多,这给视频跟踪的实时性实现带来了巨大的压力;另一方面,实际的视频中存在一定的遮挡和干扰,背景复杂,这会对视频跟踪的准确性造成影响。因此,如何在高分辨率以及背景复杂的视频中实现准确实时的视频跟踪,成为了行业内研究的重点。针对上述问题,本文对视频跟踪技术进行了深入研究,设计了低复杂度的视频编码优化算法,同时提出基于场景感知的视频跟踪算法以提升视频跟踪的准确性和鲁棒性。首先,本文针对超高清视频计算复杂度大的问题,提出了基于情景感知的编码优化算法。此算法对视频编码帧间预测技术中的运动估计算法进行了优化,根据运动矢量的中心分布特征,提出了新的像素块匹配搜索模板,即非对称双十字菱形模板。在进行像素块匹配搜索时,先通过非对称双十字模板对最佳匹配块的位置进行粗略定位,之后再使用菱形小模板对最佳匹配块的位置进行精确定位。除此之外,本算法还加入了中途终止的搜索机制,以减少算法的计算复杂度。实验表明,在标准高清视频如"Stockholm"、"Ducks"等视频序列中,使用非对称双十字菱形模板的编码优化算法相比于传统的使用菱形、十字形等搜索模板的编码算法在峰值信噪比上平均提升1dB,同时降低约20%的计算复杂度。低复杂度的快速视频编码优化算法能够提升视频跟踪系统实时性。其次,本文针对视频中出现的遮挡、干扰以及复杂背景等问题,提出了一种基于情景感知的视频跟踪算法。在此算法中,本文创新性的提出了两个关于跟踪目标的关键特征,即像素块分裂系数和像素块关系变化系数(BRC)。本算法首先将要跟踪的目标区域进行分块处理,根据像素块的尺寸大小确定此像素块的分裂系数,建立目标区域内像素块的分裂系数集合mapblock。之后计算每个像素块与其周围像素块之间特征关系的变化系数(BRC),并建立关于像素块关系变化系数的集合mapBRC。将建立起的两个特征集合输入进粒子滤波框架,对视频中的情景内容进行分析并分配粒子权重,根据粒子权重确定和目标区域最匹配的候选区域,以实现视频跟踪的目的。在本算法中,像素块分裂系数能够对复杂背景进行有效描述,像素块关系变化系数则能够对遮挡区域的特征进行表示。实验结果显示,在含有遮挡现象的标准测试视频"Caviar"、"Occlusion"以及"women"中,传统的粒子滤波跟踪算法的准确度在70%左右,而本算法的跟踪准确度在90%以上,表现出较强的准确性和鲁棒性。最后本文针对现实生活中视频跟踪技术的应用,设计并实现了一套多场景多目标的视频跟踪系统。本文设计的系统能够针对多个摄像头采集的多个场景,并对这些场景中出现的多个目标同时进行跟踪。该系统分为训练、识别和跟踪三个阶段,通过这三个阶段来提取和分析目标的综合特征,实现高效实时的跟踪。能够推动现实中智能交通、数字城市、智能监控等方面的实现,此项研究在理论和实际应用中具有重要意义。