论文部分内容阅读
随着“平安城市”理念的提出,数以万计的监控设备被安装到银行、学校、走廊等地方,每天都会产生大量的监控视频,这给我们的视频浏览、检索、存储等工作带来巨大的挑战。而视频浓缩技术正是解决这些问题的一种有效手段,在大大缩短监控视频的长度的同时却不丢失原始视频中的运动信息。该技术不但可以实现高效存储,而且更便于用户浏览、检索监控视频,已然成为当下处理监控视频的一项热门技术。本文先系统地阐述了监控视频的浓缩原理,然后分别介绍了整个浓缩过程中几个关键的流程步骤,如运动物体检测、运动物体跟踪、轨迹的组合优化等,针对这几个步骤中现有算法的局限性,本文分别提出了相应的改进算法,最后得到浓缩结果。论文的主要工作如下:由于基于单一特征的背景建模方法存在一定的局限性,所以为了提高运动物体检测的鲁棒性和准确性,本文提出了一种基于纹理特征的SI LTP和基于颜色特征的单高斯相结合的背景建模算法。在该方法中,首先利用SILTP的纹理模型提取运动前景和背景,然后再利用单高斯颜色模型对目标纹理与背景纹理相近处进行检测,从而修正误判的前景和背景。实验结果表明:与其他单一特征的背景建模方法相比,本算法检测出的运动物体轮廓更加清晰,在召回率和虚警率上均优于单一特征的背景建模方法。为了提高运动物体跟踪的准确度,本文提出了一种基于Camshift与SIFT线性融合的轨迹跟踪算法。在该融合算法中,首先利用Camshift跟踪算法对运动物体进行一个初始的跟踪,得到跟踪区域,然后再利用SIFT对跟踪区域进行特征提取与匹配,校准跟踪区域,最后将Camshift的跟踪结果与校准结果进行线性融合,得到最终的轨迹跟踪结果。实验结果表明:与MeanShift和Camshift相比,本算法的跟踪误差最小,能较好地完成目标的跟踪。为了保持浓缩视频的空间一致性和减少碰撞,本文提出了一种基于时间轴转移的轨迹优化方法。在该方法中,利用能量代价函数来衡量原始视频到浓缩视频的转化,当能量代价函数最小时,轨迹的优化效果最好。最后在原视频中更新提取背景图像,通过泊松编辑将所有的运动目标拼接到对应的背景图像中,形成浓缩视频。实验结果表明:与基于时空转移的轨迹优化方法相比,本文方法能有效地避免目标间的碰撞、保持原视频中目标间的相关性,使得浓缩视频更加真实。