论文部分内容阅读
视频序列图像中的运动目标的检测、识别与跟踪是计算机视觉中最基本、最关键的技术,在智能监控、人机交互、视觉导航、视频编码等应用领域有着重要的意义。论文根据对运动目标处理的一般过程,对运动目标的检测、识别和跟踪等重要技术展开研究,对现有的一些算法进行了一些改进,并在现有的研究成果的基础上提出了一些新的解决思路,给出了相关的实现算法,进行了实验验证。
论文主要的工作和贡献包括以下几个方面。
1.本文首先研究了目标检测的基本方法和原理,对目前常用的目标检测方法进行了改进,提出了一种基于分块的帧间差分与背景减除相结合的运动目标检测方法。该方法中,运动目标检测分两步进行,在粗分割阶段,首先把视频图像划分为多个子块,用帧间差分对运动图像各个子块进行检测,分离出背景区域和前景区域,背景区域用来构造和更新背景模型。一旦背景构造完成后,便可以对粗分割出的运动区域采用背景减除方法进行细分割,检测出精确的运动目标。使用帧间差分获取的背景区域构造和更新背景,能有效地把停止的运动目标融入背景,同时也能去除场景中突然运动的目标原来位置所留下“鬼影”。实验结果表明,该方法克服帧间差分提取目标不精细缺点,解决了背景减除方法中背景构造更新的困难,能够对对监控场景中运动目标进行精确检测,对光线变化、背景干扰不敏感,具有较好的鲁棒性和实时性。
2.在对统计学习理论与支持向量机进行研究的基础上,引入粗糙集技术,对现有的支持向量机运动目标识别方法进行了改进,提出了一种应用于监控系统的运动目标的分类识别算法。该方法首先对监控视频中的运动目标进行检测,提取出运动目标的轮廓。根据目标的轮廓尽可能的提取目标的各种特征信息,然后利用粗糙集理论,对提取的目标特征进行约简,提取出对分类有利的特征。最后采用支持向量机,对检测出运动目标进行快速识别。该方法的优点是,在各种不同的应用场合,不同的摄像机视角的情况下,能自动提取对分类有利的目标特征,构造有效的支持向量机,具有较好的适用性。实验结果表明,该方法能够快速准确地在监控视频中对运动的车辆、行人、人群、以及自行车等进行检测和分类识别,对监控场景中非法目标入侵进行自动报警。
3.对视频图像中多目标跟踪进行了研究,提出了一种时空相结合的复杂背景下多目标自动跟踪算法,该方法与现有算法最主要不同点在于对暂时停止的运动目标能继续跟踪。该算法首先通过背景减除的方法检测场景中运动目标,提取目标的外观特征、灰度统计特征,以及运动特征,建立各目标的跟踪模板。通过对后续视频图像中各目标的运动位置的卡尔曼滤波预测,确定目标可能出现的位置,然后进行目标匹配跟踪。由于采用了运动位置的预测,缩小了目标模板在场景中的搜索范围,因而和场景中目标匹配数目也大大减少,提高了跟踪的速度。算法中根据目标的前后图像序列中的空间信息对目标的停止、目标相互遮挡以及目标分裂等进行了有效处理,当目标停止或者目标被遮挡,目标检测失效的情况下,也能很好的对目标进行跟踪。实验结果表明,该算法充分利用了目标的空间特征和运动特征,结合了目标在前后帧中的状态信息,提高了跟踪的精确性和稳定性。
4.在对目标跟踪技术进行研究时,本文把遗传算法用于对跟踪目标位置的搜索,提出了一种半自动跟踪的方法——基于卡尔曼滤波和遗传算法的运动目标跟踪方法。该方法首先通过人工获取运动目标模板,以目标模板的各灰度统计值的特征作为跟踪依据。为了提高匹配的鲁棒性,对灰度进行变换,降低灰度级,减少了匹配的特征量,因此也减少目标匹配时的计算量。算法开始时以卡尔曼滤波预测目标在新的一帧中可能的位置,以该位置为中心,建立目标搜索区域。然后利用遗传算法在建立的搜索区域中进行目标搜索。遗传算法的适应度函数是用表示模板和搜索区域中灰度特征相似程度的Bhattacharyya系数值的大小来表示种群中各个体的优劣程度。遗传算法中的解是目标的中心坐标,采用二进制编码表示。当遗传算法获得目标在本帧图像中的最优位置后,该位置作为观察值,进行下一次的卡尔曼滤波预测。实验结果表明,本方法利用了卡尔曼滤波和遗传算法两种技术的优越性,根据跟踪目标的灰度统计特征,利用卡尔曼滤波预测确定目标匹配的候选区域,然后采用遗传算法对候选区域进行搜索匹配,提高跟踪的实时性和鲁棒性。
5.最后,本文结合前面运动目标的检测、识别和跟踪等技术研究成果,设计一种基于视频的智能化城市快速交通监控系统模型。该系统采用了智能视频技术,能够实时地对城市中重要的交通通道进行智能监控,准确地获取各种交通参数,对交通违章、交通事故进行监控和报警,同时能根据获取的交通数据对当前的交通状况进行分析评价,对可能出现的各种交通事件进行预警,及时进行交通诱导,保证交通畅通。本系统方法具有实时性好,识别精度高,具有较好的鲁棒性特点。该系统实施容易,投资小,维护容易,运行成本低,具有很好的应用前景。