论文部分内容阅读
现代社会中摄像机作为人类视觉的延伸,已经进入人类社会的方方面面。智能视觉监控系统作为安全监控的一种有效手段受到了各国政府的高度重视。目前,已有的智能视觉监控技术主要包括在单个摄像机下对监控场景中的感兴趣目标进行自动检测、跟踪和分类以及相应的行为分析。每路摄像机有各自的监控任务,监控系统中摄像机和摄像机的监控任务之间没有关联。然而由于单个摄像机的视野范围有限,为了满足大范围监控的需要,就需要多个摄像机协同工作。随着摄像机数目的急剧增加,传统的基于人工的被动监控已经无法满足监控任务的需要,如何自动分析多个摄像机所拍摄的视频中的内容,真正意义上实现大范围监控至关重要。本文主要探讨了非重叠多摄像机场景下的目标连续跟踪研究的若干问题,主要包括:(1)基于表观模型的运动目标匹配和识别;(2)多摄像机区域拓扑连接关系分析;(3)多摄像机下的数据关联。本文的主要工作如下:
①提出了一种基于主颜色信息的运动目标匹配方法;将多摄像机下目标匹配的问题转换为整数线性规划框架下寻找对应特征点的问题。通过取以边缘点为中心的一个邻域,计算特征描述子。我们采用主颜色特征对局部特征进行描述。基于主颜色信息的特征描述方法将视觉感知差异比较小的颜色映射到同一个颜色值,只包含局部区域最主要的颜色,去除了不重要的颜色带来的干扰,从而降低了特征的维数,减少了所需的存储空间。另外,我们采用了一种几何约束来剔除不可靠的对应点。本文提出的方法隐含的融入了颜色空间信息,实验结果证明了方法的有效性。
②由于监控场景中目标的运动是有目的性的,他们的运动会受到场景中一些特定目的地的影响,比如“到达区域”和“离开区域”。通过观察一段时间内运动目标在多摄像机场景中运动的统计特性即可获得多摄像机场景的语义模型。我们将多摄像机场景的语义模型用一个拓扑连接关系图表示,并提出一种基于非监督学习的多摄像机拓扑连接关系分析方法。已知多摄像机下这些区域之间的拓扑连接关系,我们只需要匹配有着连接关系的区域中出现和离开的运动目标,从而减少了目标匹配的次数,提高了多摄像机系统效率并且减少了错误匹配的可能。
③提出一种基于贝叶斯理论的数据关联分析方法。多摄像机下的数据关联指当出现在摄像机中的运动目标为其他摄像机下出现过的运动目标时,我们给该运动目标一个唯一的标号;若运动目标未曾在其他摄像机下出现过,则给该运动目标一个新的标号,从而实现运动目标在大范围场景中的连续跟踪。我们通过贝叶斯框架融合运动目标匹配信息和目标的时空特性实现了运动目标在多个摄像机下的关联。在运动目标匹配方面,我们采用了一种扩散距离对总体以及局部直方图进行匹配。与其他直方图距离相比,扩散距离能够减小光照变化带来的影响,从而提高运动目标匹配的准确性。在计算目标的时空特征方面,对于每一对有着连接关系的离开区域和到达区域,我们用混合高斯模型来描述运动目标的转移时间分布。