基于粒子滤波的监控视频行人检测与跟踪研究

发布时间：2020-10-30 05:25

　　 智能监控系统的发展使传统的监控设备有了更多的应用场景,在智能监控系统中,行人的检测和跟踪在交通流量统计、公共空间安防和数据挖掘分析等领域应用广泛。作为后续分析和统计工作的基础,提高行人检测和跟踪部分的准确率尤为重要。但是,在监控视频中,复杂的检测和跟踪环境对算法提出了较高的要求。目标的尺度变化、形态变化、背景的颜色干扰、光线变化等因素降低了行人检测和跟踪方法的准确率。因此,本文总结和分析了监控视频下的行人检测和跟踪方法,并分别在行人检测和行人跟踪部分提出了相关的改进算法,具体工作如下:1.分别研究和比较了监控视频场景下的行人检测和跟踪方法,分析了各算法应用于监控视频场景中的优缺点。针对行人跟踪方法,在多个数据集上验证了各算法的跟踪效果,并从特征融合、算法理论融合和自适应粒子滤波三个方面研究了改进的粒子滤波跟踪算法。2.针对经典ViBe(Visual Background extractor,ViBe)算法在第一帧中有行人目标时存在的“鬼影”问题,提出一种新的改进算法—MViBe算法。通过帧差法获取行人具体位置并通过多帧图像重新构建背景模型,实验结果显示MViBe算法不仅实时性较高,而且可以有效地消除经典ViBe算法中出现的“鬼影”,算法的准确率、召回率和综合评价指标分别至少提高了 22%、6.6%和15.8%。3.提出一种融合颜色特征和纹理特征的自适应粒子滤波跟踪算法GCPF(GLCM-Color PF,GCPF)。分别通过彩色直方图和灰度共生矩阵描述行人的颜色特征和纹理特征,通过灰度共生矩阵的对比度参数自适应调整两种特征的权重。实验结果显示,在复杂环境下,GCPF算法有效提高了行人和背景颜色相似情况下跟踪的成功率,提升了光照变化条件下行人跟踪的准确率。综上,本文在行人检测部分提出了一种改进的行人检测算法—MViBe算法,并在行人跟踪部分提出了一种融合颜色特征和纹理特征的自适应粒子滤波跟踪算法—GCPF算法。在多组监控视频数据集中对所提出的算法进行验证,实验结果表明,本文提出的MViBe算法可以有效去除经典ViBe算法中存在的“鬼影”,GCPF算法可以显著提高复杂场景下跟踪的准确率和成功率。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TN713
【部分图文】：

Ｂ??图２－１?Ｃｏｄｅｂｏｏｋ圆柱体模型＿??Ｆｉｇｕｒｅ?２－１?Ｔｈｅ?ｃｙｌｉｎｄｅｒ?ｍｏｄｅｌ?ｏｆ?ｃｏｄｅｂｏｏｋ＾??的背景像素值分布在圆柱体的内部，而所有柱体的表面即为判别边界，通过下式进行判ｂｒｉｇｈｔｎｅｓｓ?（／，?＜Ｉｉ，Ｉｊ＞）＝ＶＲ２＋Ｇ２＋Ｂ２?Ｅ＜Ｉｌ〇ｗ，Ｉｈｉｇｈ＞ｄ?＝?ｃｏｌｏｒｄｉｓｔ（Ｘ，，?Ｆ，）?＜?ｅＩｉ〇ｗ＝ａＩｊＩｈｉ＝ｍｉｎ｛０１ｈ?＾?｝。?以??，＜Ｘｌ，Ｖｉ＞２??８?＝?ｃｏｌｏｒｈｉｓｔ?＝?ＩＩＸＩＩ???５—ｉ?ｍｉ２??＼＼Ｘ，＼＼２＝Ｒ２＋Ｇ２＋Ｂ２

?ｈ）?ｉ）??图２－５ｈｉｇｈｗａｙＩ＿ｒａｗ序列第４、２４、５２帧“鬼影”抑制对比图：ａ）ｄ）ｇ）为原图ｂ）ｅ）ｈ）为经??典ＶｉＢｅ算法检测图ｃ）ｆ）ｉ）为ＭＶｉＢｅ算法检测图??Ｆｉｇｕｒｅ?２－５?Ｔｈｅ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｔｈｅ?ｕｇｈｏｓｔ？，?ｓｕｐｐｒｅｓｓｉｏｎ?ｏｆ?ｔｈｅ?４ｔｈ，?２４ｔｈ?ａｎｄ?５２ｎｄ?ｆｒａｍｅｓ?ｏｆ?ｔｈｅ??ｈｉｇｈｗａｙ１＿ｒａｗ?ｓｅｑｕｅｎｃｅ：?ａ）?ｄ）?ｇ）?ｉｓ?ｔｈｅ?ｏｒｉｇｉｎａｌ?ｉｍａｇｅ?ｂ）?ｅ）?ｈ）?ｉｓ?ｔｈｅ?ｄｅｔｅｃｔｉｏｎ?ｒｅｓｕｌｔ?ｏｆ?ｔｈｅ?ｃｌａｓｓｉｃ??ＶｉＢｅ?ａｌｇｏｒｉｔｈｍ?ｃ）?ｆ）?ｉ）?ｉｓ?ｔｈｅ?ｄｅｔｅｃｔｉｏｎ?ｒｅｓｕｌｔ?ｏｆ?ｔｈｅ?ＭＶｉＢｅ?ａｌｇｏｒｉｔｈｍ??两种算法的三种评价指标如下：??表２－２?ｈｉｇｈｗａｙｌ＿ｒａｗ序列两种算法各指标评价???Ｔａｂｌｅ?２－２?ｈｉｇｈｗａｙ！?ｒａｗ?ｓｅｑｕｅｎｃｅ?ｔｗｏ?ａｌｇｏｒｉｔｈｍｓ?ｅｖａｌｕａｔｉｏｎ?ｏｆ?ｅａｃｈ?ｉｎｄｅｘ????ＰＲ（％）?ＲＥ（％）?ＦＭ（％）??ＶｉＢｅ?算法?０．５２９?０．６１３?０．５６２??本文算法?０．６４９?０．６５３?０．６５１???Ｍ?２２Ｊ?６＾?１５．８??在ｈｉｇｈｗａｙｌｌ＿ｒａｗ序列中，本文算法的改进效果更为明显，从第五桢可以看出，??ＶｉＢｅ算法右侧由于“鬼影”原因显示出四辆汽车，但实际原图中可以得知只有两??辆

图３－丨Ｍｅａｎｓｈｉｆｔ迭代示意图??Ｆｉｇｕｒｅ?３－１?Ｍｅａｎｓｈｉｆｔ?Ｉｔｅｒａｔｉｏｎ?Ｄｉａｇｒａｍ??似性函数最大值，可得Ｍｅａｎｓｈｉｆｔ向量：??Ｈｉ＝＼ＸｉＣ〇ｉｇ｛?）??ｍ，ｌＧ（ｙ）?＝?ｙｒｙ〇＝?：?—－ｙ〇咐（年｜｜?）??ｇ（ｘ）＝－Ｋ?（Ｘ）％表示＿）Ｖｆ立置邻域内最优的目标位置，经过反复迭代得到最ｉｆｔ目标跟踪算法的优势在于，首先，算法计算量小，在整其他参数，没有对概率密度分布进行估计，因此可以一直沿大值，具有实时性高的优点；其次，由于采用加权直方图模形变、部分遮挡和背景运动不敏感。但是在跟踪过程中无法
【参考文献】

相关期刊论文 前9条

1 金志刚;卫津津;罗咏梅;刘晓辉;;基于改进的颜色和SURF特征的粒子滤波目标跟踪[J];计算机工程与应用;2015年22期

2 杨欣;刘加;周鹏宇;周大可;;基于多特征融合的粒子滤波自适应目标跟踪算法[J];吉林大学学报(工学版);2015年02期

3 彭宏;韩露莎;王辉;傅钟;;基于小波变换与多帧平均法融合的背景提取[J];浙江工业大学学报;2013年02期

4 陈志敏;薄煜明;吴盘龙;段文勇;刘正凡;;基于自适应粒子群优化的新型粒子滤波在目标跟踪中的应用[J];控制与决策;2013年02期

5 郑红;李钊;李俊;;灰度共生矩阵的快速实现和优化方法研究[J];仪器仪表学报;2012年11期

6 霍东海;杨丹;张小洪;洪明坚;;一种基于主成分分析的Codebook背景建模算法[J];自动化学报;2012年04期

7 吴刚;唐振民;杨静宇;;融合典型纹理特征的粒子滤波目标跟踪方法[J];计算机工程与应用;2011年34期

8 徐成;田峥;李仁发;;一种基于改进码本模型的快速运动检测算法[J];计算机研究与发展;2010年12期

9 方正;佟国峰;徐心和;;粒子群优化粒子滤波方法[J];控制与决策;2007年03期

相关博士学位论文 前1条

1 张俊根;粒子滤波及其在目标跟踪中的应用研究[D];西安电子科技大学;2011年

相关硕士学位论文 前7条

1 张磊;智能监控中运动目标检测与跟踪算法的研究[D];太原理工大学;2018年

2 肖丹;复杂背景下视频运动目标检测与跟踪[D];西南科技大学;2018年

3 白平平;智能视频监控中行人的检测与跟踪方法研究[D];北京交通大学;2017年

4 张业亮;视频监控中的运动目标跟踪与识别研究[D];电子科技大学;2017年

5 辛宁;改进Codebook模型和粒子滤波的运动目标异常行为检测研究[D];重庆邮电大学;2016年

6 赵栋梁;改进快速粒子滤波算法的多目标检测与跟踪系统设计[D];重庆邮电大学;2016年

7 邹依峰;智能视频监控中的行人检测与跟踪方法研究[D];中国科学技术大学;2011年

本文编号：2862048