论文部分内容阅读
智能视觉监控作为安全监控的一个有效手段，越来越受到各国政府的重视。其终极目标是让计算机成为人的大脑，让摄像头成为人的眼睛，由计算机智能地分析摄像头所获取的图像序列，对场景内容进行理解，实现对异常行为的自动报警和预警。智能视觉监控涉及计算机视觉的底层和高层部分。底层视觉主要是对场景中感兴趣的目标进行检测、跟踪和识别，而高层视觉则在底层视觉的基础上，对感兴趣目标作行为分析和理解。视觉跟踪属于中底层视觉部分，其任务是在连续的图像序列中对运动目标进行定位，获取目标轨迹和运动参数等信息，是智能监控的关键技术之一。本文对视觉监控场景中的目标跟踪问题进行了广泛的研究，内容涉及目标检测、表观模型、跟踪策略以及多目标跟踪等方面。在本文中，主要工作和贡献有：
(1)提出了一个基于头肩Omega形状特征的行人检测方法。该方法采用一个基于Haar特征的级联AdaBoost分类器作粗分类，快速地排除大量的负样本窗口，然后再利用一个分类性能更好的基于HOG(Histograms of Oriented Gradients)特征的AdaBoost分类器对剩下的稀疏窗口作精分类，能快速而准确地检测出监控场景中的人的头肩部分。由于头肩所组成的Omcga特征在各种视角下具有一定的不变性，能适应多种场景，具有广泛的应用前景。
(2)提出了一个新的特征集-方向滤波的金字塔统计量(PSOF，Pyramidal Statisticsof Oriented Filtering)用于行人检测。虽然HOG(梯度方向直方图)特征对于正常成像条件下的行人检测非常有效，但是实际应用表明，在图像模糊或图像噪声存在的情况下，HOG特征的检测性能会大幅下降。因此，本文设计了一个PSOF特征集用于目标的特征表达。PSOF特征集避免了使用梯度来表征图像的局部方向信息，而是使用一个Gabor滤波器组来提取方向特征，对噪声有一定的抑制能力；另外，与HOG特征只提取单个尺度上的特征不同，PSOF特征集在图像的多一个尺度上提取方向信息(尺度越高，模糊或噪声的影响越小)，提高了特征集的鲁棒性。实验表明，在正常的成像条件下，PSOF特征集的检测性能跟HOG特征集相当；而在图像噪声或者图像模糊存在的情况下，PSOF特征集的检测性能要远远好于HOG特征集。
(3)提出了一个基于简化的生物启发特征(SBIF，Simplified Biologically InspiredFeatures)的表观模型用于目标跟踪。该表观模型使用轻微的位置-/尺度-无关的生物视觉感知特征作为目标表达，采用Bhattacharyya系数来测量目标模型和候选目标之间的相似性，并被结合到一个SIR(Sampling Importance Resampling)粒子滤波框架下，用于基于贝叶斯状态推断目标跟踪。大量的实验表明，SBIF方法对于光照变化、目标姿态变化以及部分遮挡具有较好的鲁棒性；而且也具有跟当前主流的表观模型相当的跟踪精度。
(4)提出了一个仿射群上的增量自调节粒子滤波(ISPF，Incremental Self-tuning ParticleFiltering)过程用于目标跟踪。ISPF方法使用类SIFT(Scale Invariant FeatureTransform)描述子作为基本特征，通过增量PCA(Incremental Principal ComponentAnalysis)在线学习一个自适应的子空间作为表观模型，然后将一个基于局部加权投影回归(LWPR，Local Weighted Projection Regression)的姿态估计器引入粒子滤波框架，使得随机粒子本身能依据姿态估计器和相似度反馈机制向其周围最好的状态移动；通过若干次增量式的粒子采样和自调节过程，就能很快找得最优状态。实验表明，与纯随机优化方法和纯决定性优化方法相比，ISPF方法具有更好的鲁棒性和更高的跟踪精度，而且能避免随机优化过程中的大量盲目采样，具有很高的效率，是当前较为先进的跟踪策略。
(5)提出了一个数据驱动的粒子滤波框架(DDPF，Data-Driven Particle Filtering)用于多目标跟踪。所提出的DDPF框架不是一个纯随机的状态优化方法，相反，一系列从底层数据中学习的特定类的和特定实例相关的启示模型被用来引导状态优化过程，使得状态优化过程更为高效和可靠。这些启示模型包括：一个场景几何模型，用来排除那些明显违背场景透视成像原理的误检测；若干个全局姿态估计器，用来调节随机粒子向正确的方向移动，提高状态优化效率；以及一些在线Boosting的表观模型，用来选择区分性特征以区分不同的个体。目标被一个聚类算法分成两类：“Separated-target”和“’Target-group”。“Separated-target”通过ISPF。(Incremental Self-tuning Particle Filtering，增量自调节粒子滤波)跟踪器来跟踪；而“Target Group”则通过一个联合状态空间的MCMC(MarkovChain Monte Carlo)粒子滤波方法来跟踪，该方法考虑了目标之间的遮挡关系，并能作遮挡推理。实验表明，所提出的DDPF方法能自动检测并跟踪目标，有效地区分表观相似目标和作遮挡推理，具有很高的跟踪效率和很好的跟踪精度。
总的说来，本文对视觉监控场景中的目标跟踪这一课题作了广泛而又较为深入的研究，取得了一定的研究成果。