交通監(jiān)控系統(tǒng)中目標(biāo)跟蹤與行為識別研究.pdf

1、智能交通監(jiān)控系統(tǒng)能夠?qū)煌ㄊ录M行自動化檢測,對行人或車輛進行智能化監(jiān)視,更能適應(yīng)實際應(yīng)用的需要。論文主要對智能交通監(jiān)控系統(tǒng)中的目標(biāo)檢測、目標(biāo)跟蹤、以及目標(biāo)行為分析理解三個環(huán)節(jié)中存在的關(guān)鍵問題進行深入研究,并提出新的解決方法,主要工作體現(xiàn)在以下幾個方面:
　　 (1)針對當(dāng)前大多利用單一模型進行目標(biāo)檢測存在的問題,比如高誤檢率,光照敏感,動態(tài)場景魯棒性差等問題,提出了一種混合運動檢測模型,將對光照變化不敏感的目標(biāo)檢測模型和對動態(tài)

2、場景變化跟蹤能力快的運動檢測模型融合,利用融合策略消除檢測過程中的漏檢和誤檢。最后提出利用速運動目標(biāo)檢測法減少該模型的計算量,加上被融合的兩種模型都有較好的實時性特點,使得混合模型仍然具備一定的實時性。
　　 (2)研究了跟蹤過程中的目標(biāo)描述,提出一種基于多特征選擇的運動目標(biāo)跟蹤算法。將RankBoos與AdaBoost組合,構(gòu)建混合boosting算法,根據(jù)目標(biāo)信息和背景信息選擇特征,建立特征排序分類器,并在跟蹤的過程中不斷自

3、適應(yīng)更新。采用卡爾曼濾波對目標(biāo)區(qū)域進行粗預(yù)測,然后利用排序分類器結(jié)合Mean-shift算法完成目標(biāo)的精確跟蹤。該算法可以根據(jù)不同的目標(biāo)和背景信息,自適應(yīng)的進行特征選擇,對于克服場景中存在光照、干擾、遮擋等問題是非常有利的。
　　 (3)提出了一種基于軌跡分析的運動行為識別方法。通過采用聚類的方法對跟蹤得到的軌跡進行行為模式學(xué)習(xí)得到運動模式的軌跡參考序列。然后將軌跡視為時間序列,利用動態(tài)時間歸正(DTW)技術(shù)對時間序列長度沒有限