论文部分内容阅读
智能视频监控是将计算机视觉中的相关研究成果引入到传统视频监控中而逐步发展起来一种新型的视频监控技术。该技术可在没有人为干预的情况下自动对图像内容进行理解。当个体或群体行为出现异常状况时能及时报警,使视频监控摆脱了对全天候人工监督的依赖。由于一个完整的智能监控系统通常是在多摄像机协同工作下实现准确运动目标行为检测、跟踪以及分析,因此针对智能视频监控的研究主要包括:图像信息融合、目标检测、目标分类、目标追踪以及对监控场景中目标行为的理解与描述等。本论文主要对智能视频监控中的目标检测、目标追踪以及多源图像融合三个关键技术进行研究。重点解决上述三个研究方向所面临的挑战:第一,如何解决运动分割过程中所面临的诸如天气变化、光照变化、背景干扰、运动目标的阴影、摄像机抖动等多方面干扰;第二,如何解决单目标或多目标追踪过程中目标之间相互遮挡或人体自身被外界物体严重遮挡的问题;第三,如何快速实现多源图像信息融合。本论文的创新工作为:⑴传统的目标检测方法为背景减除法,这类算法通常利用大量的训练样本进行图像背景建模,这将使检测算法具有很高的复杂度。针对传统背景减除法的不足,本文提出一个基于压缩感知的目标检测算法,所提出算法可在不需要任何样本训练的情况下直接利用压缩观测数据实现具有鲁棒性的运动目标检测。算法实现压缩域目标检测的步骤为:首先利用三维循环采样方法对视频序列进行压缩采样,获得视频压缩观测值矩阵;其次,提出一个压缩感知结合低秩矩阵分解的目标检测优化模型,该模型可利用压缩观测值矩阵实现视频前景,背景以及视频序列的同时重构;最后,利用优化模型同时重构的视频序列在线估计一个置信矩阵,该矩阵可对目标检测模型中的前景重构结果进行修正,以增强前景重构结果的鲁棒性。经实验验证,通过上述三个步骤所实现的目标检测结果对运动物体干扰(树叶或水滴扰动)以及光照变化具有较强鲁棒性。⑵在现实视频监控过程中,目标检测难于实现的原因在于它所受到的干扰除了运动物体干扰以及光照变化之外,还经常会遭受噪声干扰以及摄像机抖动的影响。为了进一步提升压缩域目标检测算法的鲁棒性,本文提出另一个基于压缩感知的目标检测算法。新提出的目标检测算法利用一个压缩感知结合图割理论的检测优化模型实现二值化视频前景支撑集以及视频序列的联合重构。因为图割理论对于噪声干扰具有较强鲁棒性,所以与第一个目标检测优化模型不同,新提出的优化模型不需要额外前景修正步骤便能有效抑制摄像机抖动以及噪声干扰。除此之外,它还能准确检测出非周期运动物体的运动趋势。⑶目前在已提出的各类目标追踪算法中,基于稀疏表示的追踪算法在目标跟踪研究中受到越来越多的重视。这类算法在研究过程中所面临的最大问题之一是如何有在保证算法鲁棒性的前提下有效降低运动目标状态估计的复杂度。为了解决这一问题,本文提出了一个基于联合稀疏表示的目标追踪算法。所提出的目标追踪算法通过计算压缩观测值矩阵的联合稀疏表示来实现运动目标追踪。为了有效保证目标追踪算法在复杂监控场景中的追踪精度,所提出的联合稀疏表示模型中引入了一个非局部正则化算子,该算子可通过探究稀疏表示系数之间的局部以及非局部相似性来增强稀疏表示模型的鲁棒性。通过大量实验可以验证本文所提出的目标追踪算法在追踪精度以及追踪速度方面都优于目前主流的目标追踪算法。⑷当视频监控场景中运动目标被长时间遮挡时(例如大雾弥漫),这使得基于单一摄像机的运动目标检测、追踪异常困难。使用可见光摄像机以及红外摄像机的协同目标监控系统可有效解决此类问题。如何快速实现多源图像信息融合是此联合视频监控系统设计的核心。本文提出了一个基于压缩感知的图像融合框架,所提出的框架具有三个优点:第一,该框架是以图像块为基本单位实现压缩域图像融合处理,这样可节省大量存储空间,提高图像的传输以及融合效率。第二,融合框架加入了双通道PCNN模型,该模型的引入可为压缩域图像信息融合提供大量的原始图像结构信息,为原始图像观测向量因数据压缩所造成的细节信息损失提供一个可靠的补充。第三,融合框架选用的图像重构SAML算法具有快速收敛特性,它能有效保证图像融合在噪声干扰情况下的鲁棒性。通过实验验证可以说明本文所提出的图像融合框架能凸显出运动目标的细节信息,为目标检测以及追踪提供可靠的目标特征信息。