视频监控中的时空显著目标跟踪

发布时间：2017-04-06 16:15

  本文关键词：视频监控中的时空显著目标跟踪，由笔耕文化传播整理发布。

【摘要】：视频数据以非结构化形式存在且数量巨大,模拟人类视觉系统快速抽取信息的显著性检测是计算机视觉中的一个热点。显著目标是图像或视频中感兴趣的对象,也是构成视频场景内容的主要实体。因此借助显著目标进行目标检测、定位、识别和跟踪可以快速、高效地实现视频监控。近年来的研究表明通过多特征融合方法可以得到比较好的显著图。本文以视频序列作为研究对象,主要研究了基于时空显著性的显著目标检测、分割和跟踪方法,具体内容如下:1)针对现有方法以视频帧中心作为位置先验,没有充分利用视频的运动连续性信息以及现有方法使用边缘和连通性作为背景的先验不能很好地处理纹理复杂的场景导致的显著区域错误提取的问题,本文考虑监控视频中相邻帧显著区域的空间连续性,提出改进的先验和时空特征相结合的显著性检测模型。该模型通过得到的检测结果计算位置先验;以时间维度上的均值滤波得到背景作为背景先验;然后将背景和位置先验与速度加速度先验融合成先验显著图,最后与颜色、运动大小和方向构成的对比度特征显著图相融合形成最终的显著图。在标准数据库和监控视频上的实验结果表明,提出方法得到的显著图很好地抑制了背景,突出了显著目标。2)显著区域的确定是目标完整性提取的关键,针对现有显著区域提取方法存在的这一不足,从显著图出发,在充分分析各种目标分割算法的基础上,选用改进的区域生长方法对显著图进行显著目标的提取。在实际监控视频上的实验比较分析发现,改进的区域生长显著区域提取方法具有较好的目标区域提取性能,可以有效地保证视频监控中显著目标的完整性,便于后续的目标跟踪。3)针对传统Mean Shift跟踪缺乏目标模板更新导致对变化较快的目标无法跟踪,以及Kalman滤波和Mean Shift无法处理多目标跟踪的问题,在显著目标检测与数据关联的基础上,本文将Mean Shift和Kalman滤波方法相结合,进行显著目标的跟踪。该方法在传统的Mean Shift算法中加入模板更新,利用Kalman滤波预测下一帧中的目标位置,加快搜索速度,并且通过数据关联匹配检测窗口和目标模板。实验证明本文的方法有效提高了目标跟踪的准确性。
【关键词】：视频监控 多特征融合 显著性先验 目标检测 多目标跟踪
【学位授予单位】：苏州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN948.6
【目录】：

• 中文摘要4-6
• Abstract6-10
• 第一章 绪论10-19
• 1.1 课题研究背景与意义10-11
• 1.2 人类视觉系统概述11-12
• 1.3 研究现状12-15
• 1.3.1 目标跟踪的研究现状12-13
• 1.3.2 显著性的研究现状13-15
• 1.4 目前存在的问题15-17
• 1.4.1 目标跟踪的问题15-16
• 1.4.2 显著性模型存在的问题16-17
• 1.5 本文主要工作17
• 1.6 本文的组织结构17-19
• 第二章 基于多特征融合与先验结合的时空显著性计算19-31
• 2.1 显著性计算概述19-20
• 2.2 多特征融合与先验结合的时空显著性模型20-25
• 2.2.1 特征对比度20-23
• 2.2.2 显著性先验23-24
• 2.2.3 显著性融合24-25
• 2.3 实验分析25-30
• 2.4 本章小结30-31
• 第三章 基于区域生长的显著目标检测31-38
• 3.1 目标检测31-32
• 3.2 区域生长32-33
• 3.3 基于区域生长的显著目标检测33-35
• 3.4 实验结果35-37
• 3.5 本章小结37-38
• 第四章 基于Mean Shift和Kalman滤波的显著目标跟踪38-48
• 4.1 Mean Shift目标跟踪38-41
• 4.2 Kalman滤波41-43
• 4.3 Mean Shift结合Kalman滤波的目标跟踪43
• 4.4 多目标跟踪及数据关联43-45
• 4.5 实验分析45-47
• 4.6 本章小结47-48
• 第五章 总结与展望48-50
• 5.1 论文工作总结48-49
• 5.2 未来工作展望49-50
• 参考文献50-55
• 攻读学位期间公开发表的论文及知识产权成果55-56
• 致谢56-57

【参考文献】

中国硕士学位论文全文数据库 前1条

1 尤亚;无重叠视域多摄像机运动目标匹配研究[D];苏州大学;2013年

  本文关键词：视频监控中的时空显著目标跟踪，由笔耕文化传播整理发布。

，

本文编号：289215