無重疊視野多攝像機(jī)目標(biāo)跟蹤關(guān)鍵技術(shù)研究.pdf

1、無重疊視野多攝像機(jī)監(jiān)控是視頻監(jiān)控技術(shù)的未來發(fā)展方向，它通過協(xié)調(diào)重點(diǎn)區(qū)域的離散監(jiān)控結(jié)果，實(shí)現(xiàn)了在較低成本下對(duì)大范圍區(qū)域進(jìn)行監(jiān)控。無重疊視野多攝像機(jī)監(jiān)控的基礎(chǔ)是無重疊視野多攝像機(jī)目標(biāo)跟蹤，即在離散攝像機(jī)視野下對(duì)目標(biāo)進(jìn)行連續(xù)跟蹤。實(shí)現(xiàn)目標(biāo)連續(xù)跟蹤的關(guān)鍵是準(zhǔn)確地檢測(cè)并跟蹤進(jìn)入單攝像機(jī)視野的目標(biāo)，并將不同視野下的相同目標(biāo)關(guān)聯(lián)起來。本文在整合課題組已有成果的基礎(chǔ)上，圍繞無重疊視野多攝像機(jī)目標(biāo)跟蹤中的若干關(guān)鍵技術(shù)展開系統(tǒng)性的研究。論文的主要內(nèi)容及研究

2、成果包括:
　　(1)進(jìn)行了運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究。目標(biāo)檢測(cè)算法由于應(yīng)用環(huán)境的不同，對(duì)實(shí)時(shí)性與魯棒性的要求不盡相同。針對(duì)實(shí)際應(yīng)用的不同需求，研究了兩種目標(biāo)檢測(cè)算法，分別強(qiáng)調(diào)了算法的實(shí)時(shí)性與魯棒性。研究了一種基于分塊連通域分析的實(shí)時(shí)目標(biāo)檢測(cè)算法，利用背景差分法檢測(cè)前景，并對(duì)前景進(jìn)行分塊連通域分析以檢測(cè)目標(biāo)。算法利用分區(qū)域加權(quán)更新策略維持背景模型，從而使其對(duì)光照變化具有一定的魯棒性。提出了一種魯棒的分塊RPCA目標(biāo)檢測(cè)算法，利用RPC

3、A技術(shù)將輸入幀分為低階背景與稀疏前景，并對(duì)前景進(jìn)行去噪、去陰影處理以提高目標(biāo)檢測(cè)的效果。試驗(yàn)表明，實(shí)時(shí)性目標(biāo)檢測(cè)算法可以在普通監(jiān)控環(huán)境下完成目標(biāo)檢測(cè)任務(wù)，在惡劣監(jiān)控環(huán)境下，需要利用魯棒性目標(biāo)檢測(cè)算法完成目標(biāo)檢測(cè)任務(wù)。
　　(2)進(jìn)行了單視野目標(biāo)跟蹤算法的研究。單視野目標(biāo)跟蹤算法由于應(yīng)用環(huán)境的不同，對(duì)實(shí)時(shí)性與魯棒性的要求不盡相同。針對(duì)實(shí)際應(yīng)用的不同需求，研究了兩種單視野目標(biāo)跟蹤算法，分別強(qiáng)調(diào)了算法的實(shí)時(shí)性與魯棒性。研究了一種基于相鄰

4、幀重疊面積分析的實(shí)時(shí)目標(biāo)跟蹤算法，通過關(guān)聯(lián)每一幀的檢測(cè)結(jié)果對(duì)目標(biāo)進(jìn)行跟蹤。算法利用目標(biāo)相鄰幀的重疊面積代替中心距離作為判斷目標(biāo)是否關(guān)聯(lián)的依據(jù)，可以處理目標(biāo)自遮擋情況。提出了一種基于改進(jìn)粒子濾波與稀疏表示的魯棒目標(biāo)跟蹤算法，采用改進(jìn)粒子濾波作為跟蹤框架，利用分塊稀疏表示構(gòu)造目標(biāo)的觀測(cè)模型，從而實(shí)現(xiàn)在惡劣環(huán)境下對(duì)目標(biāo)的魯棒跟蹤。試驗(yàn)表明，實(shí)時(shí)性目標(biāo)跟蹤算法可以在普通監(jiān)控環(huán)境下完成目標(biāo)跟蹤任務(wù)，對(duì)于復(fù)雜監(jiān)控環(huán)境，需要利用魯棒性目標(biāo)跟蹤算法準(zhǔn)確

5、地跟蹤目標(biāo)。
　　(3)進(jìn)行了無重疊視野目標(biāo)觀測(cè)模型構(gòu)建的研究。針對(duì)室內(nèi)外環(huán)境中監(jiān)控對(duì)象的區(qū)別，設(shè)計(jì)了兩種觀測(cè)模型。對(duì)于室內(nèi)的行人目標(biāo)，構(gòu)造了一種基于分塊主顏色特征與空間紋理特征的行人觀測(cè)模型。其中，主顏色特征用來描述目標(biāo)的宏觀信息，空間紋理特征用來描述目標(biāo)的細(xì)節(jié)信息。通過在主顏色匹配時(shí)引入標(biāo)準(zhǔn)化RGB距離，提高了主顏色特征對(duì)光照變化的魯棒性。針對(duì)室外的車輛目標(biāo)，構(gòu)造了一種基于主顏色特征與SURF關(guān)鍵點(diǎn)特征的車輛觀測(cè)模型。考慮到不

6、同車輛在車燈、門窗以及前臉部分存在的差異要大于車身圖案的差異，本文采用SURF關(guān)鍵點(diǎn)特征代替空間紋理特征來描述車輛的細(xì)節(jié)信息。試驗(yàn)表明，室內(nèi)行人觀測(cè)模型具有較強(qiáng)的區(qū)分能力，相比而言車輛觀測(cè)模型的區(qū)分能力稍弱，但也具備一定的區(qū)分能力。
　　(4)進(jìn)行了攝像機(jī)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)自適應(yīng)學(xué)習(xí)算法的研究。傳統(tǒng)的監(jiān)督式拓?fù)鋵W(xué)習(xí)算法需要大量人為標(biāo)記的數(shù)據(jù)，大大增加了系統(tǒng)開銷。針對(duì)這個(gè)不足，提出了一種無監(jiān)督式的拓?fù)浣Y(jié)構(gòu)自適應(yīng)學(xué)習(xí)算法。通過混合高斯模型學(xué)

7、習(xí)每個(gè)攝像機(jī)視野下的消失-出現(xiàn)節(jié)點(diǎn)，引入互關(guān)聯(lián)函數(shù)判斷不同視野下節(jié)點(diǎn)的連通性，引入交互信息表示不同視野下節(jié)點(diǎn)的轉(zhuǎn)移概率。同時(shí)，提出“虛假連接”排除策略改善拓?fù)鋵W(xué)習(xí)效果，采用拓?fù)鋮?shù)自適應(yīng)更新策略更新網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。試驗(yàn)表明，通過一段時(shí)間的學(xué)習(xí)，本文提出的算法可以較好地得到攝像機(jī)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，而且算法對(duì)環(huán)境變化有一定魯棒性。
　　(5)進(jìn)行了無重疊視野數(shù)據(jù)融合的研究。針對(duì)大范圍監(jiān)控網(wǎng)絡(luò)內(nèi)僅僅使用目標(biāo)觀測(cè)模型無法得到目標(biāo)正確關(guān)聯(lián)這個(gè)

8、弊端，研究了無重疊視野數(shù)據(jù)融合算法，通過綜合考慮目標(biāo)觀測(cè)模型與拓?fù)浣Y(jié)構(gòu)的時(shí)空約束，提高了目標(biāo)關(guān)聯(lián)的正確率。算法利用貝葉斯準(zhǔn)則將目標(biāo)關(guān)聯(lián)問題表示成最大后驗(yàn)概率(MAP)問題，并分析了如何利用圖論方法解決MAP問題。針對(duì)構(gòu)造加權(quán)二部圖時(shí)容易引入錯(cuò)誤匹配的問題，提出了一種基于自適應(yīng)閾值的修正加權(quán)二部圖構(gòu)造方法，并利用KM算法解二部圖的最大權(quán)匹配。針對(duì)KM算法在處理大規(guī)模匹配問題時(shí)計(jì)算量過大的弊端，提出了一種基于MH采樣的方法近似計(jì)算二部圖的最