面向視頻監(jiān)控的動態(tài)目標(biāo)檢測、跟蹤與識別關(guān)鍵技術(shù)研究.pdf

1、視頻圖像序列中運(yùn)動日標(biāo)的檢測、跟蹤與識別是當(dāng)前計算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，目標(biāo)的檢測與跟蹤是為了準(zhǔn)確地從背景中找到目標(biāo)，從而為目標(biāo)的識別與行為分析提供更加精煉、準(zhǔn)確、不變性和可區(qū)分性更強(qiáng)的特征。因此，視頻口標(biāo)的檢測與跟蹤已經(jīng)成為視頻監(jiān)控、機(jī)器視覺系統(tǒng)、視覺精確制導(dǎo)等諸多應(yīng)用方向中的核心技術(shù)，具有重要的理論研究意義與廣闊的應(yīng)用前景。
　　在視頻目標(biāo)檢測與跟蹤的研究方法中，基于活動輪廓模型理論的目標(biāo)分割與跟蹤算法是近年來發(fā)展最快的研究方

2、向之一?；顒虞喞Ｐ蛯⒏邔酉闰?yàn)知識與低層視覺任務(wù)相結(jié)合，自上而下地實(shí)現(xiàn)對視覺任務(wù)的處理，為計算機(jī)視覺問題的解決提供了嶄新的理論框架。本文針對動態(tài)目標(biāo)檢測、目標(biāo)跟蹤和行為識別方面的理論和應(yīng)用展開研究，主要研究內(nèi)容和成果體現(xiàn)在以下幾個方面:
　　針對目前常采用的運(yùn)動目標(biāo)檢測方法存在的缺點(diǎn)，提出了時空結(jié)合的運(yùn)動目標(biāo)檢測方法，先利用時間分割再進(jìn)行空間分割的思想。首先，通過自適應(yīng)閾值獲得當(dāng)前幀與背景的差圖像，進(jìn)行連通域分析和設(shè)定閾值，消除噪

3、聲確定運(yùn)動目標(biāo)的區(qū)域。其次，在提取出的運(yùn)動窗口區(qū)域應(yīng)用一種基于邊界的二值化水平集+高斯平滑的運(yùn)動目標(biāo)檢測方法進(jìn)行精確檢測。二值化水平集是基于幾何活動輪廓框架，采用二值水平集函數(shù)代替?zhèn)鹘y(tǒng)水平集函數(shù)，避免了傳統(tǒng)水平集函數(shù)需要重新初始化為符號距離函數(shù)的過程，解決了計算量大，實(shí)現(xiàn)復(fù)雜等缺點(diǎn)。實(shí)現(xiàn)了在攝像機(jī)靜止條件下剛體或非剛體的運(yùn)動目標(biāo)檢測。實(shí)驗(yàn)表明，該方法能應(yīng)用于實(shí)際的交通視頻，簡單有效，獲得封閉和完整的運(yùn)動目標(biāo)輪廓。
　　針對GAC模

4、型是對灰度圖像進(jìn)行圖像分割，本文將其應(yīng)用到矢量圖像中，提出基于水平集理論的改進(jìn)變分GAC矢量模型與背景差分相結(jié)合的時空聯(lián)合運(yùn)動目標(biāo)檢測方法。把基于背景差分時間分割后得到的運(yùn)動窗口作為曲線演化的初始輪廓，引入距離規(guī)則化項(xiàng)到GAC矢量模型中，不僅消除了水平集重新初始化的需要而且避免了因此而導(dǎo)致的數(shù)值錯誤，在演化過程中保持了水平集函數(shù)的規(guī)則化，得到準(zhǔn)確的運(yùn)動目標(biāo)輪廓，提高了演化的效率和穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，該方法適用于剛體和非剛體目標(biāo)，在部分

5、遮擋的情況下也能保持良好的檢測效果。
　　針對基于水平集的幾何活動輪廓模型能較好地適應(yīng)曲線拓?fù)渥兓瑸榱烁櫤瞳@取運(yùn)動目標(biāo)的輪廓信息，提出了一種基于改進(jìn)GAC矢量模型和Kalman濾波相結(jié)合的線性運(yùn)動目標(biāo)跟蹤算法。該算法首先設(shè)置一定閡值，刪除運(yùn)動區(qū)域面積過大或過小的區(qū)域，然后對剩余目標(biāo)在運(yùn)動窗口區(qū)域內(nèi)采用改進(jìn)的GAC矢量模型進(jìn)行曲線演化，在運(yùn)動目標(biāo)的真實(shí)輪廓處收斂;得到目標(biāo)輪廓曲線后進(jìn)行目標(biāo)特征的提取，通過計算輪廓的面積、質(zhì)心等參

6、數(shù)得到目標(biāo)及其相關(guān)特征（目標(biāo)輪廓的面積、目標(biāo)質(zhì)心）。然后通過結(jié)合Kalman濾波預(yù)測目標(biāo)下一幀位置，最終實(shí)現(xiàn)對目標(biāo)的跟蹤。
　　針對粒子濾波的退化現(xiàn)象，對于非線性目標(biāo)跟蹤，一個確定的模型難以描述運(yùn)動中口標(biāo)輪廓的變化，從而增加了跟蹤與提取的精度，本文受CV模型提出者Tony Chan采用基于區(qū)域的CV模型進(jìn)行目標(biāo)跟蹤的啟發(fā)。以此為跟蹤基礎(chǔ)，提出將免重新初始化的改進(jìn)LBF模型與高斯粒子濾波相結(jié)合，此算法能夠更好地對運(yùn)動目標(biāo)進(jìn)行跟蹤。首

7、先用高斯粒子濾波跟蹤運(yùn)動目標(biāo)區(qū)域，然后把距離規(guī)則化項(xiàng)引入到改進(jìn)模型中，以外接矩形區(qū)域的質(zhì)心為基礎(chǔ)對水平集進(jìn)行初始化，應(yīng)用改進(jìn)后的LBF模型進(jìn)行曲線演化，可以獲得比較精確的目標(biāo)輪廓，最后將輪廓的提取結(jié)果反饋到跟蹤框架中，動態(tài)更新參考模板，獲得了較理想的跟蹤效果。
　　目標(biāo)行為識別屬于計算機(jī)視覺中的高層視覺，行為分為“事件”和“活動”兩類，本文以道路交通應(yīng)用為例，提出了基于HMM的多特征融合交通事件檢測算法。首先根據(jù)用戶需求選擇待檢測