论文部分内容阅读
视频运动分析试图赋予计算机对视频中出现的运动目标进行自动检测、识别、跟踪,进而对其运动行为进行智能推理的能力.该研究具有重要的学术研究价值和广阔的商业应用前景,本论文将重点关注监控视频的运动分析技术研究.
智能视频监控技术经过几十年的发展取得了长足的进步,但实践经验表明,实际场景中的视频监控技术还远未成熟,要开发出真正鲁棒、实用的应用系统还需要解决大量的关键技术.本论文的研究目标是面向监控视频,以运动目标的检测和跟踪问题为应用背景,研究监控视频运动分析技术中面临的若干技术问题.其核心是研究鲁棒的运动目标检测和分割技术,包括运动阴影去除:多目标跟踪的遮挡以及跟踪实时性问题;场景理解中感兴趣区域的自动提取技术等,并取得了以下研究成果:1、提出了融合梯度和颜色特征的运动阴影分割方法针对目前运动检测常受阴影的干扰,研究了运动阴影分割方法.首先采用混合高斯模型对背景进行统计建模,然后用自适应阈值方法分割前景像素,并进一步将前景像素分成物体和阴影像素.本文提出了融合梯度和颜色特征的运动阴影分割方法,在梯度特征方面,创新性的提出对目标前景模板和背景模板求梯度差进行阴影去除的方法,另外对现有的基于颜色的阴影判别方法进行了改进,同时提出了基于梯度和颜色的融合算法,进一步改善了阴影分割效果.另外本文引入了一个综合指标来客观分析阴影分割性能,与现有的算法相比,提出的阴影分割算法计算量小,对光照变化不敏感,能保留更多的物体像素,去除更多的阴影像素,改善了运动分割性能.2、将MeanShift算法和模型更新嵌入粒子滤波框架,改善了多目标跟踪系统的实时性为解决视频跟踪的非线性非高斯特性,本文采用基于蒙特卡洛抽样的粒子滤波框架.在多目标跟踪任务中,随着目标个数的增加,保持正确跟踪所需的粒子数也急剧增加,带来计算复杂,实时性差的问题.本文将MeanShift算法嵌入粒子滤波框架中的重要性采样之后,使粒子经过MeanShifi聚集后,更加靠近目标的真实位置,这样在对目标进行初始化时,仅需少量粒子就能保持正确的跟踪.本文为每个目标分配一个独立的粒子滤波跟踪器,目标模型采用颜色加权直方图,该模型对目标之间的遮挡和目标姿态变化较为鲁棒.为解决目标表观随外界光照变化、自身旋转和遮挡等因素的影响,在跟踪过程中对目标模型进行实时更新,使目标模型更加符合对实际目标的描述.实验结果表明,提出的算法极大的改善了多目标跟踪系统的实时性和稳定性.同时,当具有相同颜色和外形特征的目标发生严重遮挡时,提出算法仅需少量粒子就能保持正确的跟踪.3、提出了基于运动检测和粒子滤波的多目标跟踪算法,能有效处理目标初始化、新目标出现以及目标漂移等问题针对监控场景中的多目标跟踪涉及的目标初始化、新目标出现等问题,研究了多目标跟踪算法.利用初始运动检测结果,为每个运动目标分配一个独立的粒子滤波跟踪器.在后续帧采用全局最近邻方法对检测和跟踪的结果进行数据关联,并根据目标状态构造检测和跟踪的联合提议分布函数,新的粒子将从该模型中进行重要性采样.本文将运动检测特征加入采样步骤中,使跟踪系统能自动捕获新目标,并可以在目标的运动超出预测范围时,将粒子拉回到目标的真实位置.同时为了提高多目标跟踪系统的实时性,将MeanShift算法嵌入粒子滤波框架中.本文给出了提议分布函数的具体形式和详细的算法流程.与现有算法相比,提出的算法能有效处理目标之间的遮挡和新目标出现等情况,而且跟踪系统的实时性得到显著提高.4、提出了基于运动特征的鲁棒的监控区域自动分割算法在监控场景中,人们往往对某些特定区域感兴趣.本文以交通视频监控为研究对象,提出了基于运动信息的道路区域自动分割算法.首先利用本文前面介绍的高斯混合模型得到监控场景的灰度背景图像,然后在视频序列中进行运动检测得到大量的运动质心点,进一步结合背景灰度特征,利用区域增长算法实现了道路区域自动提取.提出的算法没有利用路面已有的道路标记信息,不需要构建道路模型,算法中的参数根据运动信息和场景特点自适应选取,并且可以同时提取多条道路区域,可以提取任意形状的道路区域,另外对光照变化、路面阴影以及路面污迹具有良好的鲁棒性.