论文部分内容阅读
智能视频监控是近年来计算机视觉领域的研究热点,其核心目的是在图像处理、模式识别和人工智能等技术有效结合的基础上,利用计算机对所获取的图像数据进行自主的、逐层分步的计算与分析,实现对监控场景所蕴含的有效信息的感知、分析与理解。其研究成果已广泛应用于智能安防、智能交通、智能旅游、智慧城市及物联网建设等诸多领域,产生了巨大的社会经济效益。运动目标检测与跟踪技术是智能视频监控领域的核心基础与关键技术,尽管近年来针对这一技术的研究已经取得了巨太的进展,然而在各种复杂场景的条件下,仍然存在着算法准确性、鲁棒性及实时性不能完全满足应用需要的更深层次的技术挑战。本文在现有研究成果的基础上,以场景运动模式分析为出发点,针对运动目标检测与跟踪中的关键技术和难点问题展开更加深入的探索与研究,其主要工作概括如下:1)针对监控场景局部区域运动规律的感知与表达,提出一种基于网格划分的有向场景运动模式的建模和更新方法。该方法利用正方形网格将监控场景划分为多个子区域,通过建立一种运动速率加权的光流方向直方图,描述目标在不同子区域产生不同方向运动行为的概率。依据提取的序列图像中KLT角点特征,计算场景中的稀疏光流,再利用局部的光流信息采用线性插值算法对相应子区域的方向直方图进行加权投票,从而实现对有向场景运动模式模型的在线更新。针对监控相机与运动目标的空间关系,算法还引入了区域相关的权值补偿系数,以消除由于观测角度不同可能导致的投票失衡问题。通过实验分析证明,该算法能够较为准确地描述场景中局部区域的运动规律,并实现模型的快速在线更新。2)针对场景区域划分与场景运动模式之间的关系,提出一种基于背景分割的有向场景运动模式建模方法。该方法首先采用混合高斯模型提取监控场景的背景图像。通过基于K-means聚类的SLIC超像素分割方法,将其划分为多个与场景元素边缘吻合的超像素子区域。针对每个子区域,构建一种基于LK光流的速率方向二维直方图模型,用以描述局部区域的场景运动模式。实验表明,该模型能够利用数量较少的超像素子区域,更为有效地表达局部区域不同速率和方向的运动概率密度分布,在一定程度上克服了局部区域运动模式不一致的问题,提高了模型描述的准确性,并满足实时监控系统的性能需求。3)针对场景布局元素与场景运动模式之间的关系,提出一种基于有向场景运动模式的局部场景理解方法。该方法根据场景布局元素对目标运动的影响,将场景区域分为路径区域、出入口区域、徘徊区域和一般区域等类别,通过场景运动模式模型对不同子区域进行标注。首先依据速率方向直方图获取超像素子区域的高速运动概率分布,进而得到相邻子区域的运动行为的角度相似性距离和频率相似性距离,用以计算其运动转移概率。通过由子区域的邻接关系和运动转移概率所建立的有向图,将运动区域标注问题转化为对有向图的最优路径搜索问题,从而实现对场景中主要运动路径区域的标注。其后,对运动路径两端的子区域使用DBSCAN密度聚类,以标注不同的出入口子区域。最后,利用低速条件下不同方向运动概率的方差,来量化子区域的徘徊运动特性,实现对徘徊区域的标注。实验分析表明,该方法能够有效获取场景中的主要路径、出入口和徘徊区域,实现对局部场景的语义理解。4)针对运动目标检测与场景运动模式之间的关系,提出一种结合场景运动模式的并行级联有向AdaBoost运动目标检测方法。该方法首先提出一种改进的积分图算法与积分直方图算法,提取样本中的Haar-like特征与方向梯度直方图特征,用以描述目标图像的颜色与边缘特性;其后针对场景运动模式模型的不同方向簇,基于Cascade级联学习算法,对多个Gentle AdaBoost子分类器进行训练;最后利用局部场景运动模式作为检测先验,通过速率方向直方图对区域运动的概率描述,并行地融合多个子分类器,形成对运动目标检测结果的最终决策。实验表明,这种目标检测方法能够有效提高AdaBoost目标检测算法的分类性能,明显地改善目标检测的准确性和实时性。5)针对运动目标跟踪与场景运动模式之间的关系,提出一种结合在线场景运动模式模型的粒子滤波运动目标跟踪方法。该方法首先采用通道加权的HSV空间颜色直方图描述运动目标特性,通过定义色调通道的循环相关矩阵以消除光照变化造成的目标色调分布平移问题。其次,使用场景运动模式模型对粒子的似然概率进行修正,加快其向目标真实状态收敛的速度,并采用MCMC重采样算法以克服粒子滤波的样本退化和样本枯竭问题。为实现场景运动模式的在线学习,本文还提出一种基于凸多边形扫描线种子填充的遍历算法,实现对目标运动覆盖的场景子区域的快速枚举。通过对两个不同特点的公共数据集视频进行目标跟踪实验,表明了该目标跟踪算法的平均跟踪误差明显低于标准的粒子滤波跟踪算法,能够明显改善粒子滤波跟踪算法的跟踪精度。