论文部分内容阅读
视频监控在现代社会中有着广泛的需求,从公共领域到家庭生活都有不同的应用。其中,公共环境的监控需要大量的设备资源和人力资源,而引入智能视频处理与分析技术会显著提高监控系统的效用,诸如不间断的监控,更可靠高效,更低的成本,更好地保护隐私。本文的研究工作围绕监控系统中的智能视频处理与分析任务展开,重点研究运动前景检测和异常行为检测两个关键问题,关注的监控场景主要是固定单摄像头下的公共场所,如存在车辆和行人的街道等。在诸多运动前景检测的算法中,背景差分法是实时监控系统中广泛采用的方法。本文给出了背景建模的基本假设,采用了一种基于Σ-Δ滤波的方法进行背景建模和前景检测,并对Σ-Δ滤波方法进行了改进,以稳定地提取背景信息、平衡背景更新速率与外界干扰的矛盾。同时,本文使用采样中值滤波建立初始背景,弥补Σ-Δ法初始化慢的问题。对于前景检测后得到的前景区域,使用形态学操作来填补孔洞、去除小区域噪声、连通与分割区域。在异常行为检测的算法中,由于省略目标识别和跟踪的步骤,基于特征的方法具有较低的复杂度和系统需求,适合于分布式的道路监控系统。本文对前景检测得到的区域计算形状参数,求基于摄像头架设模型的归一化面积,获取基于局部时空平滑光流与混合高斯模型的目标速度。根据目标的形状、面积、速度等特征参数,使用多个不同的分类器,分检目标的种属、位置和速度。在这个框架下,三个分类器是相互独立的,并使用统计分析的方法分别获取其参数和表征正常状态的活动区域图、速度范围图。本文对于运动前景检测以及异常行为检测都进行了效果的测试,得到了不错的结果。由于使用的都是相对底层的信息,并在诸多方面考虑了算法的高效性,本文的方法和架构对于如今蓬勃发展的分布式监控系统有不少借鉴作用,具有广泛的应用前景。