基于立體視覺的目標檢測與跟蹤.pdf

1、目前，由于傳統(tǒng)監(jiān)控系統(tǒng)的簡單記錄功能已經無法滿足社會公共安全的更高層次要求，因此具有多目標識別與跟蹤跟蹤的新一代智能監(jiān)控系統(tǒng)逐漸成為了重要的研究課題。智能地檢測、跟蹤場景中的目標能提高對關鍵場所的監(jiān)控能力，及時發(fā)現潛在的危險因素，提高人民群眾的安全感，防止恐怖主義的侵襲。
　　 本論文著重研究如何采用計算機立體視覺以及模式識別等相關技術構成一套全自動的多目標在線檢測與跟蹤系統(tǒng)，實現對監(jiān)控場景中多目標的統(tǒng)計、定位、跟蹤以及運動軌跡

2、分析，直至提取出目標的精確輪廓。主要研究工作有攝像機成像原理建模與參數標定分析，雙目成像的立體視覺匹配與三維場景快速重建，核函數的全自動聚類分析以及多特征融合的能量泛函與偏微分求解。具體的創(chuàng)新點如下：
　　 1.提出了基于核函數的離散點聚類算法將世界坐標系下的離散點聚合不同的集合，通過這些集合與監(jiān)控場景中的目標建立一一對應關系，并以這些聚類的中心位置、方向等參數確定監(jiān)控場景中的目標數量、位置與運動軌跡。相機坐標系下的特征點投影到

3、地板平面的位置與高度作為已知參數，并構建世界坐標下的空間特征點密度分布函數。以mean-shift方法在不計算空間真實密度值的前提下直接估計其梯度方向，用爬山法搜索密度空間的所有局部最大值。以這些局部最大值為基礎劃分空間中的所有特征點形成聚類集合，檢測監(jiān)控場景中的目標。同時目標的跟蹤問題也相應簡化為空間最大值的更新過程。
　　 2.提出以系統(tǒng)化的分層逐步組合模型融合顏色、紋理、邊緣、幀差等多個特征構成統(tǒng)一的特征描述概率測度。選取

4、目標與背景像素組成正負樣本集合，并分別提取顏色和多尺度紋理特征構成非參數概率空間。組合多個特征構成背景與目標特征描述向量估計圖像像素的條件概率，貝葉斯分類器以計算的后驗概率區(qū)分背景像素與目標像素。另一方面，高斯混合模型在幀差特征中提取變化較大的區(qū)域，與圖像邊緣構成目標邊緣的測度函數增強目標邊緣同時抑制背景邊緣。自適應權重函數評價不同特征的可靠性給予恰當的權重值組合，形成完整目標和背景的判斷模型。
　　 3.在活動輪廓模型框架下構

5、建了一種區(qū)域測地活動輪廓模型，以區(qū)域模型在全局中快速推動活動輪廓大致定位目標輪廓，以測地模型在局部逐步細化結果直至完全與目標精確對齊。梯度下降流求解區(qū)域測地模型的偏微分方程，迭代初始化輪廓直至收斂到最小能量曲線。此外，基于目標運動特征的最優(yōu)初始化輪廓設置可大大減少迭代次數，實現在線的目標輪廓跟蹤。
　　 4.設計一種新的場景特征提方法以圖像鄰域空間的四種基本梯度基元為依據，分離出紋理豐富的特征點作為匹配對象。兩段式的匹配算法將左