论文部分内容阅读
随着安防需求的迅猛增长,视频监控系统得到广泛应用,然而传统的视频监控系统和技术对于庞大的监控规模很难保证及时性和有效性,因此视频监控系统正朝着智能化、分布式的方向发展。本文针对运动目标检测、目标跟踪、目标分类识别等智能视频监控关键技术展开探索与研究,在现有研究成果的基础上尽量提高算法的精度和稳定性,并借助Zynq-7000 SoC平台设计并实现一套基于Linux的分布式智能视频监控系统。本文的主要工作和创新点如下:第一、针对传统混合高斯背景模型中目标突发运动产生的“鬼影”现象,提出了一种基于三帧差分的学习率自适应背景模型更新方法,利用三帧差分法将监控画面划分为背景区域、运动区域、背景显露区域,对不同区域采用不同的学习率更新背景模型,实验表明,该方法在复杂运动场景中获得良好的运动目标检测效果,另外,三帧差分法对光照的不敏感性避免了光照突变后一段时间内的大面积误检。第二、基于SIFT特征的旋转不变性、尺度缩放不变性,提出了一种通过SIFT特征匹配实现目标跟踪的算法,该算法通过建立目标模板库来匹配检测到的目标,为模板库设计了一种留存优先级的更新淘汰机制,提高了匹配的实时性与准确性。针对SIFT特征提取算法速度较慢的问题,设计并实现了 SIFT特征提取算法的硬件加速逻辑电路,各模块内部采用并行机制,模块间实现流水线结构,大大提高了 SIFT特征提取的速度。第三、针对不同目标特征线性不可分的问题,提出了一种基于基于SVM的目标分类算法。该算法在分析不同特征对于目标分类的特性的基础上采用形状特征:占空比、高宽比、紧密度和偏心率组成分类样本训练SVM,实现了多目标条件下的准确分类。第四、针对点对点接入中心服务器模式的视频监控系统在监控点达到一定规模后出现严重网络拥塞和性能下降的问题,设计并实现了一套基于Zynq-7000 SoC的分布式智能视频监控系统,该系统基于OpenCV库实现运动目标检测、跟踪、识别程序,判断检测到的不同类的运动目标的位置和轨迹是否闯入设置的禁区,对闯入的目标发出警告。