基于对象相似性的视频浓缩技术研究

发布时间：2022-01-24 09:47

　　随着人们对公共安全的需求的增长以及监控系统的飞速发展,海量的摄像头被部署到人们的生活周边,比如学校,商场,街道等,这也导致了监控视频数据的指数级增长。由于人力浏览分析海量视频的方式存在耗时,工作量大,浏览效率低,视频利用率低,漏检率高的问题,因此必须引入新的方法来解决海量视频信息丰富却又难以挖掘的矛盾。视频浓缩是应对这一问题的有效手段。本文首先研究设计并实现了视频浓缩的总体框架,其中包括背景图片的生成与更新,轨迹提取,轨迹组合,轨迹融合等几个关键模块。然后对影响浓缩视频最终效果的两个关键算法,即轨迹提取与轨迹组合进行了深入研究,针对以往算法的不足之处提出了分析与改进。针对轨迹提取,本文首先提出了一种基于编码--解码结构的全卷积网络的运动检测技术,然后在此基础上,结合视频浓缩的实际需求,设计一种更合适的轨迹提取方案,以更完整地保留运动目标的信息。针对轨迹组合,提出了一种考虑目标相似性以生成更紧凑有序的浓缩视频的组合算法,首先计算目标之间的相似性,然后将轨迹组合转化为一个能量函数,该能量函数综合考虑了相似性,轨迹碰撞程度以及浓缩视频长度三个方面,最终通过最小化该能量函数,来重组每个轨迹在浓... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

动态视频浓缩示意图

2 相关技术研究动态视频浓缩是应对海量监控视频浏览与分析的有力工具，其基本思想简单，但是要想达到用户想要的效果还需要考虑很多因素。本章将首先简单介绍动态视频浓缩的基本过程，主要包括轨迹提取、组合、融合等阶段，并针对相关因素做出详细的讨论。然后针对运动检测与轨迹组合这两个最关键的因素的研究概况作相应的介绍。2.1 动态视频浓缩如前所述，动态浓缩视频的基本思想是以对象为处理单位，重组对象的出现时间，以达到浓缩的效果，同时保留原视频中所有运动目标的信息。动态视频浓缩系统大致分为如下两个阶段[9]，如图 2-1 所示。

重新组合即对对象进行时间平移，决定其在浓缩视频中的出现时间。动态视频浓缩的思想比较简单，但是想要最终的浓缩视频有一个好的效果，有很多因素需要考虑。首先，浓缩视频需要反映原始视频的内容，意味着运动目的信息应该保留完整，所以轨迹提取过程就至关重要。而轨迹提取过程的第一步是运动检测，运动检测需要准确地把运动目标与背景分割开来，如果运动目标的分身体被误分为背景，会导致浓缩视频中目标也只出现一部分，严重影响观感。次，浓缩视频需要有较高的浓缩率。轨迹组合是达到这一步的关键步骤。但除浓率外，轨迹组合还需要顾及到另外一个因素，即目标轨迹之间的“碰撞”。组合对时空异步的目标进行时间平移，空间位置上不变，即原来位于画面的哪个位置在浓缩视频中依然在那。这就必然导致浓缩视频中的不同目标会出现在相同的区即发生了“碰撞”，如图 2-2(b)中红框区域所示。一旦出现这种情况，我们需要对标进行虚化显示，导致目标变得模糊不清。所以，轨迹组合往往需要在这两个最本的因素间做出权衡。


本文编号：3606354