智能監(jiān)控視覺(jué)多目標(biāo)跟蹤.pdf

1、本文研究戶外場(chǎng)景智能視頻監(jiān)控視覺(jué)多目標(biāo)檢測(cè)和跟蹤技術(shù)，包括靜態(tài)場(chǎng)景下運(yùn)動(dòng)目標(biāo)檢測(cè)、多目標(biāo)濾波和數(shù)據(jù)關(guān)聯(lián)、目標(biāo)粘連和遮擋處理。
　　 首先簡(jiǎn)單介紹運(yùn)動(dòng)目標(biāo)檢測(cè)常用的三類方法:光流法、時(shí)域差分法和背景減除法，通過(guò)分析選擇目前最流行的背景減除法進(jìn)行重點(diǎn)研究。通過(guò)比較滑動(dòng)平均、中值、混合高斯背景建模方法的實(shí)時(shí)性和檢測(cè)效果，本文選擇基于時(shí)域中值濾波的W4背景建模方法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)。考慮到原始的W4算法沒(méi)有陰影檢測(cè)、去除的步驟，本文選用一

2、種適合灰度圖像陰影檢測(cè)的算法，利用當(dāng)前圖像與背景圖像的歸一化相關(guān)系數(shù)檢測(cè)結(jié)果中的陰影。
　　 其次，由于傳感器性能、背景擾動(dòng)或人為干擾，檢測(cè)結(jié)果可能存在多個(gè)虛假目標(biāo)，如果簡(jiǎn)單將所有檢測(cè)結(jié)果作為真實(shí)目標(biāo)，增加了誤檢率，易引起虛警。此外，目標(biāo)數(shù)目、位置、速度均隨時(shí)間變化，確定真實(shí)目標(biāo)數(shù)量、狀態(tài)信息，亦是多目標(biāo)跟蹤的難點(diǎn)。為此，本文將序貫蒙特卡羅概率假設(shè)密度濾波器(SMC-PHDF)引入到視覺(jué)多目標(biāo)跟蹤，實(shí)現(xiàn)對(duì)觀測(cè)場(chǎng)景中運(yùn)動(dòng)目標(biāo)數(shù)量和

3、目標(biāo)狀態(tài)的估計(jì)。
　　 傳統(tǒng)SMC-PHDF無(wú)法實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)，本文采用標(biāo)記粒子及最近鄰聚類構(gòu)建關(guān)聯(lián)決策，根據(jù)粒子標(biāo)記經(jīng)重采樣后的統(tǒng)計(jì)分布計(jì)算最大關(guān)聯(lián)概率實(shí)現(xiàn)當(dāng)前目標(biāo)與歷史航跡的時(shí)域關(guān)聯(lián)。實(shí)驗(yàn)證明，在觀測(cè)場(chǎng)景中的目標(biāo)數(shù)目、狀態(tài)隨時(shí)間變化且檢測(cè)結(jié)果存在虛警情況下，該算法能較好估計(jì)多目標(biāo)數(shù)量和狀態(tài)，其時(shí)域關(guān)聯(lián)準(zhǔn)確性比MHT算法更高。
　　 最后，針對(duì)目標(biāo)發(fā)生粘連或相互遮擋的情況，本文提出記憶衰減隨機(jī)樣例分類器對(duì)合并團(tuán)塊進(jìn)行分割