论文部分内容阅读
现今视频监控系统实时监控被监视对象的行为,在管理和监测城市的任务上具有越来越重要的地位,可以说是无处不在。而视频监控系统需要朝着智能化的方向前进,要尽可能地减少人工干预或完全自动化地完成所需的任务。智能视频监控技术主要是用计算机视觉的方法实现所需完成的视觉任务,例如场景中的目标定位、目标识别、目标跟踪等视觉任务,智能监控的过程不需要人为进行干预。智能视频监控技术在摄像机拍录的视频图像序列上进行自动分析,理解和判断图像序列中目标的行为,可以实现日常的管理需求,也能在发生异常情况的时候及时做出相应的判断和处理。智能视频监控系统是一个具有挑战性的研究方向,目前仍然吸引着国内外学者的研究。 智能监控在自动分析视频图像序列时,不仅要分析单个研究目标的特征,还要分析目标所在的场景背景及周围环境上下文,即场景信息可以对目标活动研究提供有效的先验。通过研究监控相机长期存储的监控视频,可以学习到场景中目标的活动规律,由于目标的活动规律被场景背景信息影响,所以通过分析目标活动规律可以获得场景信息。场景信息可以有效辅助研究特定目标的活动。本文针对场景自适应建模,充分挖掘场景信息来辅助目标活动的分析,分别研究了监控场景几何特性对场景中目标尺度变化的影响,以及在数据驱动的方式下自动学习场景中目标活动规律,实现目标的状态预测,并将两个研究结果均应用于目标跟踪中,实现鲁棒的尺度自适应跟踪。本文的主要成果有以下两个方面: 1.本文通过分析监控场景中的几何特性来实现目标的尺度估计,并将其集成到跟踪中实现尺度自适应目标跟踪。使用监控场景的几何背景作为尺度自适应的强有力线索,通过对像机和监控场景的三个合理假设,本文推导出一个目标尺度几何模型,无需任何人为干预即可学习该模型的参数。然后本文提出一个通用的算法,将此模型集成到多个单尺度和多尺度的跟踪器中,实现了鲁棒的尺度自适应目标跟踪。本文提出的尺度估计方法基于场景几何而不是基于目标外观,对于多种挑战因素(例如光照变化、遮挡和快速运动等)是鲁棒的。在具有挑战性的监控视频数据集上的实验结果表明,该尺度估计方法有利地改善了单尺度跟踪器的性能,并且与最先进的多尺度跟踪器相比表现更好或与其相比具有竞争性的结果,同时显著地提高了速度。 2.通过分析场景对目标活动的影响,本文提出一种基于监控场景目标运动模型的目标状态预测模型。在数据驱动的方式下,用LSTM网络学习通过目标检测获取的目标运动轨迹数据,无需人工干扰,即可一次性学习场景中目标的运动规律和尺度变化规律,然后预测目标在场景中的后续状态,包括目标位置和尺度。实验结果表明,本文提出的状态预测方法在位置预测和尺度预测上均有较好的效果。然后本文提出一个将状态预测模型集成到跟踪器中的通用方法,并以现有的跟踪为例,结合提出的状态预测模型,实现了鲁棒的尺度自适应目标跟踪。在具有挑战性的监控视频数据集上的实验结果表明,本文的方法有效地提高了基准跟踪器的性能。并且本文的方法在目标检测得到的数据上进行学习和分析,不需要进行人工标注,所以具有很强的场景迁移能力。