论文部分内容阅读
现代的监控系统大多应用在商场、银行等大型场所,理论上应该使用大量摄像机覆盖所有监控区域,但这样做成本过高,而且没有必要,因此无重叠视域多摄像机监控系统便应运而生。由于无重叠视域多摄像机监控系统中目标在时空上都是离散的,如何对不同摄像机检测出的目标进行匹配以及利用匹配的结果获取目标在一定时间内的运动轨迹是无重叠视域监控领域研究的关键问题。为了解决上述问题,本文提出结合多种目标表现模型和摄像机间拓扑关系,并运用智能优化算法求解目标最优路径集合,从而实现目标的持续跟踪。论文的主要工作和创新如下:(1)研究摄像机拓扑关系获取问题。本文采用一种在线拓扑关系估计方法,根据单摄像机目标检测的结果获得单个摄像机的进出口位置,使用高斯模型模拟摄像机间的转移时间概率,为目标匹配和关联提供一个可靠的时间约束关系,效果较为良好。(2)研究不同摄像机间的样本匹配问题。本文提出了结合颜色直方图、H分量模型和SURF特征点的多表现模型及匹配算法。其中,针对颜色直方图运用BTF弥补其缺乏空间信息的劣势;考虑到H分量对光照变化不敏感,结合LFDA方法消除光照外的干扰;SURF特征点对旋转、尺度变化有良好的鲁棒性,通过比较特征点间的距离求出运动目标间的相似度。这三种匹配模型可相互补充,提高外观模型匹配的准确性。(3)研究摄像机间目标关联问题。本文使用D-S证据理论对上述特征进行概率融合,提高目标匹配的准确性;同时运用离散粒子群优化算法(DPSO),根据样本匹配的相似度获取多个目标在一定时间内的运动轨迹。