论文部分内容阅读
随着安防系统、交通监控系统等监控应用越来越广泛,随之而来的实际应用要求与问题也日益增加。传统安防系统常以单摄像头对目标进行检测与跟踪,但因单摄像头视野小、视角单一,难以从多角度对目标进行监控,尤其目标与摄像头之间存在遮挡物时,对目标的检测与跟踪更加困难。利用多摄像头视频融合以实现在不同角度对目标进行监控,起到了扩大监控视野、减小监控死角、延长对目标监控时长的作用。因此,多摄像头视频融合的动目标检测与跟踪在安防系统、视频监控领域中逐渐成为研究热点。基于上述背景,本文主要研究基于视频融合的动目标检测与跟踪,并通过下述三个板块进行功能实现:1、摄像头视频融合。以加速鲁棒特征(Speed-up Robust Feature,SURF)算法作为视频融合实现的理论基础,对用SURF算法提取特征点的过程进行了详细推导。考虑到缝合线寻找方法与图像融合方法对视频融合效果的重要作用,分别对最常用的三种缝合线寻找方法、三种图像融合方法进行了详细探讨,同时通过实验结果对这些缝合线寻找方法和融合方法进行了对比分析、验证。针对视频融合时重叠区域存在由运动目标引起的图像模糊问题,提出了一种基于帧间差分法的视频融合方法。该方法利用动目标检测方法中的帧间差分法对重叠区域目标的存在与否进行准确判定,并决定是否重新计算相机参数、寻找缝合线、做帧图像融合。改进后的视频融合,极大地解决了模糊问题。2、视频动目标检测。详细描述最常用的三种视频动目标检测方法:帧间差分法、混合高斯模型(Gaussian of Mixture Models,GMM)和视觉背景提取(Visual Background Extractor,ViBe)算法的实现原理。考虑到本文实际应用的需求,本文采用ViBe算法对视频中动目标进行检测。针对ViBe算法建立背景模型时存在背景模型中样本冗余问题,以及ViBe算法处理后所得动目标检测结果中存在的鬼影与闪烁像素点的问题,本文提出了一种改进ViBe算法来快速消除鬼影与闪烁像素点。改进后的ViBe算法先通过计算邻域像素距离权值来选择像素点填充背景模型中的样本,然后在进行闪烁像素点消除时,通过形态学运算进行处理,并通过前景统计值方式消除鬼影。实验结果验证了改进ViBe算法的有效性、可靠性。3、视频动目标跟踪。详述了最具代表性的三种视频动目标跟踪算法:跟踪学习检测(Tracking Learning Detection,TLD)算法、压缩跟踪算法和核相关滤波器(Kernel Correlation Filter,KCF)算法。通过比较和分析,本文选用了KCF算法作为动目标跟踪的基础算法,以满足对快速跟踪的要求。针对KCF算法对形变特性敏感的问题,提出了一种基于HSV颜色特征与HOG特征融合的改进KCF跟踪算法。实验结果有效验证了改进KCF算法在目标定位上的准确性和可靠性,尤其当目标发生形变时的有效性。