智能視頻監(jiān)控系統(tǒng)目標跟蹤與分類算法研究.pdf

1、隨著視頻監(jiān)控需求的迅速增長、監(jiān)控規(guī)模的日益擴大，人工監(jiān)視已遠遠不能滿足監(jiān)控要求，視頻監(jiān)控系統(tǒng)的“智能化”變得越來越迫切。研究高實時性高準確度的智能視覺分析算法、多目視覺數(shù)據融合以及最優(yōu)化問題是智能視頻監(jiān)控系統(tǒng)研究的關鍵。本文針對智能視頻監(jiān)控系統(tǒng)中的運動目標跟蹤與分類問題——從運動目標分割、跟蹤和分類，到基于多目視覺數(shù)據融合的目標連續(xù)罡艮蹤、跟蹤優(yōu)化分配以及目標分類/跟蹤互協(xié)作，進行了深入研究，并設計和實現(xiàn)了基于嵌入式CPU和DSP相互協(xié)

2、作的智能攝像機原型系統(tǒng)。論文的主要研究內容概述如下： 1.基于區(qū)域分割的復雜背景建模算法研究 針對復雜監(jiān)控場景，為了消除動態(tài)背景物、光照變化所產生的干擾以及無關的陰影區(qū)域，提出了基于區(qū)域分割的復雜背景建模算法。通過在色度和亮度空間對監(jiān)控背景進行有效的區(qū)域分類，在變化小的穩(wěn)定區(qū)域采用簡單快速的自適應單高斯模型(Adaptive Single Gaussian Model)，在變化大的動態(tài)區(qū)域采用計算復雜而有效的非參數(shù)化模型

3、(Nonparametric Model)。該算法采用通用合并方法(GAS)聚類填充動態(tài)區(qū)域中的小空隙，并在邊界處向外適當擴充像素，以提高區(qū)域分割對動態(tài)環(huán)境的適應性。在動態(tài)區(qū)域非參數(shù)化背景建模的訓練階段，采用雙閥值順序算法方案(TTSAS)把所有的背景采樣值聚類成幾個高斯分布類，以加速新采樣值的核密度計算； 2.基于模型動態(tài)切換的運動目標實時跟蹤算法研究 針對擁擠的監(jiān)控場景，為了實現(xiàn)遮擋狀態(tài)下目標跟蹤的穩(wěn)定性，提出基于模

4、型動態(tài)切換的運動目標實時跟蹤算法。通過對目標遮擋狀態(tài)的有效判定，對未遮擋的單運動目標采用基于區(qū)域跟蹤的簡單快速模型，對相互遮擋的復合運動目標采用基于窄基線SIFT特征匹配的跟蹤模型。由于被跟蹤目標在相鄰圖像幀之間尺度和外形變化很小以及基于目標位置預測出的運動范圍有限，SIFT特征匹配模型實現(xiàn)了快速的窄基線小范圍特征匹配，達到了遮擋狀態(tài)下目標跟蹤的穩(wěn)定性； 3.基于多目視覺的目標連續(xù)跟蹤及跟蹤優(yōu)化研究 針對廣域監(jiān)控場景，提

5、出一種基于多目視覺的目標連續(xù)跟蹤及跟蹤優(yōu)化方法。利用攝像機背景圖像之間的SIFT特征匹配自動檢測攝像機之間的重疊視域，并根據相匹配的SIFT關鍵點計算重疊視域之間單應性變換矩陣的系數(shù)，SIFT特征匹配和單應性變換使跟蹤系統(tǒng)達到了穩(wěn)定的連續(xù)跟蹤。為了在目標跟蹤過程中獲得更好的跟蹤效果，該方法通過基于多目視覺的跟蹤優(yōu)化算法對目標的跟蹤優(yōu)先級和目標在各個攝像機中的遮擋狀態(tài)及其分割圖像大小進行數(shù)據加權融合，優(yōu)先分配高僥先級目標給具有最佳權值的攝

6、像機進行跟蹤，并動態(tài)平衡各個攝像機的計算資源與跟蹤負載。該方法不需要具備攝像機校正和場景建模條件，適用范圍較廣； 4.運動目標分類算法研究 針對交通監(jiān)控場景特點，提出基于分區(qū)歸一化加權特征的目標分類算法。通過提取簡單有效的運動特征和外形特征，并對交通監(jiān)控場景中不同交通方向的道路區(qū)域和不同的場景位置進行分區(qū)，以提高目標特征的可區(qū)分性。在分區(qū)后應用AdaBoost方法評估各個特征的相對重要性，賦給每個特征一個歸一化權值，最后

7、生成一個線形分類器。由于遮擋狀態(tài)會嚴重影響目標分類算法的性能，通過基于重疊攝像機數(shù)據融合的目標分類與跟蹤互協(xié)作改善了擁塞場景中目標分類算法的正確率。借助于重疊攝像機之間不同的視角方向，利用攝像機之間的視點對應和數(shù)據融合決定最優(yōu)的分類與跟蹤結果，提高了遮擋狀態(tài)下運動目標分類的準確度和目標跟蹤的穩(wěn)定性。 在以上研究基礎之上，本論文最后針對智能視頻監(jiān)控系統(tǒng)的核心功能單元——嵌入式智能攝像機系統(tǒng)，設計一種新型的實時嵌入式智能攝像枧系統(tǒng)，