智能视频监控中的运动目标检测与跟踪技术研究

发布时间：2017-03-19 13:09

  本文关键词：智能视频监控中的运动目标检测与跟踪技术研究，由笔耕文化传播整理发布。

【摘要】：智能视频监控是近年来计算机视觉领域的研究热点,其核心目的是在图像处理、模式识别和人工智能等技术有效结合的基础上,利用计算机对所获取的图像数据进行自主的、逐层分步的计算与分析,实现对监控场景所蕴含的有效信息的感知、分析与理解。其研究成果已广泛应用于智能安防、智能交通、智能旅游、智慧城市及物联网建设等诸多领域,产生了巨大的社会经济效益。运动目标检测与跟踪技术是智能视频监控领域的核心基础与关键技术,尽管近年来针对这一技术的研究已经取得了巨太的进展,然而在各种复杂场景的条件下,仍然存在着算法准确性、鲁棒性及实时性不能完全满足应用需要的更深层次的技术挑战。本文在现有研究成果的基础上,以场景运动模式分析为出发点,针对运动目标检测与跟踪中的关键技术和难点问题展开更加深入的探索与研究,其主要工作概括如下：1)针对监控场景局部区域运动规律的感知与表达,提出一种基于网格划分的有向场景运动模式的建模和更新方法。该方法利用正方形网格将监控场景划分为多个子区域,通过建立一种运动速率加权的光流方向直方图,描述目标在不同子区域产生不同方向运动行为的概率。依据提取的序列图像中KLT角点特征,计算场景中的稀疏光流,再利用局部的光流信息采用线性插值算法对相应子区域的方向直方图进行加权投票,从而实现对有向场景运动模式模型的在线更新。针对监控相机与运动目标的空间关系,算法还引入了区域相关的权值补偿系数,以消除由于观测角度不同可能导致的投票失衡问题。通过实验分析证明,该算法能够较为准确地描述场景中局部区域的运动规律,并实现模型的快速在线更新。2)针对场景区域划分与场景运动模式之间的关系,提出一种基于背景分割的有向场景运动模式建模方法。该方法首先采用混合高斯模型提取监控场景的背景图像。通过基于K-means聚类的SLIC超像素分割方法,将其划分为多个与场景元素边缘吻合的超像素子区域。针对每个子区域,构建一种基于LK光流的速率方向二维直方图模型,用以描述局部区域的场景运动模式。实验表明,该模型能够利用数量较少的超像素子区域,更为有效地表达局部区域不同速率和方向的运动概率密度分布,在一定程度上克服了局部区域运动模式不一致的问题,提高了模型描述的准确性,并满足实时监控系统的性能需求。3)针对场景布局元素与场景运动模式之间的关系,提出一种基于有向场景运动模式的局部场景理解方法。该方法根据场景布局元素对目标运动的影响,将场景区域分为路径区域、出入口区域、徘徊区域和一般区域等类别,通过场景运动模式模型对不同子区域进行标注。首先依据速率方向直方图获取超像素子区域的高速运动概率分布,进而得到相邻子区域的运动行为的角度相似性距离和频率相似性距离,用以计算其运动转移概率。通过由子区域的邻接关系和运动转移概率所建立的有向图,将运动区域标注问题转化为对有向图的最优路径搜索问题,从而实现对场景中主要运动路径区域的标注。其后,对运动路径两端的子区域使用DBSCAN密度聚类,以标注不同的出入口子区域。最后,利用低速条件下不同方向运动概率的方差,来量化子区域的徘徊运动特性,实现对徘徊区域的标注。实验分析表明,该方法能够有效获取场景中的主要路径、出入口和徘徊区域,实现对局部场景的语义理解。4)针对运动目标检测与场景运动模式之间的关系,提出一种结合场景运动模式的并行级联有向AdaBoost运动目标检测方法。该方法首先提出一种改进的积分图算法与积分直方图算法,提取样本中的Haar-like特征与方向梯度直方图特征,用以描述目标图像的颜色与边缘特性;其后针对场景运动模式模型的不同方向簇,基于Cascade级联学习算法,对多个Gentle AdaBoost子分类器进行训练；最后利用局部场景运动模式作为检测先验,通过速率方向直方图对区域运动的概率描述,并行地融合多个子分类器,形成对运动目标检测结果的最终决策。实验表明,这种目标检测方法能够有效提高AdaBoost目标检测算法的分类性能,明显地改善目标检测的准确性和实时性。5)针对运动目标跟踪与场景运动模式之间的关系,提出一种结合在线场景运动模式模型的粒子滤波运动目标跟踪方法。该方法首先采用通道加权的HSV空间颜色直方图描述运动目标特性,通过定义色调通道的循环相关矩阵以消除光照变化造成的目标色调分布平移问题。其次,使用场景运动模式模型对粒子的似然概率进行修正,加快其向目标真实状态收敛的速度,并采用MCMC重采样算法以克服粒子滤波的样本退化和样本枯竭问题。为实现场景运动模式的在线学习,本文还提出一种基于凸多边形扫描线种子填充的遍历算法,实现对目标运动覆盖的场景子区域的快速枚举。通过对两个不同特点的公共数据集视频进行目标跟踪实验,表明了该目标跟踪算法的平均跟踪误差明显低于标准的粒子滤波跟踪算法,能够明显改善粒子滤波跟踪算法的跟踪精度。
【关键词】：智能视频监控 运动目标检测 运动目标跟踪 场景运动模式
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要5-7
• ABSTRACT7-13
• 缩略语对照表13-18
• 第一章 绪论18-36
• 1.1 研究背景和意义18-24
• 1.1.1 智能视频监控技术的动力和发展前景18-19
• 1.1.2 智能视频监控技术的应用19-21
• 1.1.3 智能视频监控的研究方向和内容21-24
• 1.2 国内外研究现状24-27
• 1.3 技术难点与研究思路27-32
• 1.4 主要工作与章节安排32-36
• 1.4.1 主要工作32-33
• 1.4.2 论文章节安排33-36
• 第二章 基础理论与关键技术36-58
• 2.1 目标特征提取36-41
• 2.2 运动目标检测41-46
• 2.2.1 基于图像差分的运动目标检测41-44
• 2.2.2 基于特征分类的运动目标检测44-46
• 2.3 运动目标跟踪46-51
• 2.3.1 自底而上的运动目标跟踪46-49
• 2.3.2 自顶向下的运动目标跟踪49-51
• 2.4 场景运动模式分析51-54
• 2.5 公共实验数据集54-56
• 2.6 本章小结56-58
• 第三章 场景运动模式建模及场景理解58-88
• 3.1 基于网格划分的有向场景运动模式模型58-65
• 3.1.1 Lucas-Kanade光流59-61
• 3.1.2 速率加权方向直方图模型61-62
• 3.1.3 投票权值补偿62-64
• 3.1.4 算法实现64-65
• 3.2 基于图像分割的有向场景运动模式模型65-72
• 3.2.1 混合高斯背景模型66-68
• 3.2.2 超像素场景划分68-70
• 3.2.3 速率方向直方图模型70-71
• 3.2.4 算法实现71-72
• 3.3 基于有向场景运动模式的局部场景理解72-78
• 3.3.1 运动路径提取73-75
• 3.3.2 出入口区域标记75-77
• 3.3.3 徘徊区域标记77-78
• 3.4 实验与结果分析78-85
• 3.5 本章小结85-88
• 第四章 基于场景运动模式的运动目标检测88-108
• 4.1 AdaBoost学习模型89-94
• 4.1.1 集成学习概述89-90
• 4.1.2 AdaBoost训练过程90-92
• 4.1.3 Gentle AdaBoost分类学习模型92-94
• 4.2 基于场景运动模式的有向级联AdaBoost目标检测94-102
• 4.2.1 特征计算95-98
• 4.2.2 有向级联子分类器构造98-100
• 4.2.3 并行级联分类100-102
• 4.3 实验结果与分析102-106
• 4.4 本章小结106-108
• 第五章 结合场景运动模式的目标跟踪方法研究108-126
• 5.1 模型驱动的目标跟踪框架108-114
• 5.1.1 卡尔曼滤波理论109-111
• 5.1.2 贝叶斯估计与序贯蒙特卡罗积分111-112
• 5.1.3 粒子滤波理论112-114
• 5.2 结合在线有向场景运动模式的MCMC粒子滤波目标跟踪方法114-121
• 5.2.1 状态空间与特征选取115-116
• 5.2.2 MCMC重采样116-118
• 5.2.3 结合场景运动模式的似然计算118-119
• 5.2.4 在线模型更新119-121
• 5.3 实验与结果分析121-125
• 5.4 本章小结125-126
• 第六章 总结与展望126-130
• 6.1 论文工作总结126-127
• 6.2 本文主要创新点127-128
• 6.3 未来研究展望128-130
• 参考文献130-142
• 致谢142-144
• 作者简介144-145

【相似文献】

中国期刊全文数据库 前10条

1 刘颖;廖桂生;李海;;动目标检测、定位与成像方法研究[J];系统工程与电子技术;2005年12期

2 李文明;;相干动目标检测器中的正交双通道不平衡效应[J];现代雷达;1988年01期

3 郭志芬,张玉兰;图象动目标检测[J];北京理工大学学报;1992年03期

4 郑世超;宋红军;刘亚波;闫贺;吴琨;;广域监视动目标检测模式下动目标快速定位误差分析[J];雷达学报;2013年04期

5 胡爱明;胡可欣;;一种基于优化设计的动目标检测方法及其运用[J];航天电子对抗;2006年06期

6 胡可欣;胡爱明;;一种优化设计的动目标检测方法及其运用[J];火控雷达技术;2007年02期

7 刘书君;袁运能;魏俊;毛士艺;;双通道与单通道相结合的运动目标检测新方法[J];信号处理;2008年03期

8 林文耀;覃亚丽;胡海容;;基于分数傅立叶变换的机载SAR多运动目标检测[J];计算机与数字工程;2009年01期

9 刘敬兴;;地面探测脉冲压缩雷达的动目标检测[J];电子技术应用;2010年01期

10 史洪印;;基于道路辅助的机载SAR动目标检测和参数估计[J];燕山大学学报;2012年05期

中国重要会议论文全文数据库 前8条

1 王新勇;梁国龙;惠俊英;郭龙祥;;宽带多频动目标检测的仿真研究[A];2001年全国水声学学术会议论文集[C];2001年

2 王磊;;双置条件下运动目标检测方法[A];2008年全国声学学术会议论文集[C];2008年

3 祁亚斌;周军红;;基于二维最大熵的运动目标检测[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 穆文争;张晓玲;;一种新的多通道SAR运动目标检测方法[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集（上册）[C];2008年

5 王宏群;方帅;高明;;基于抑制光强变化影响的运动目标检测[A];第十四届全国图象图形学学术会议论文集[C];2008年

6 唐勇;张桂林;李利荣;;基于光流的运动目标检测方法研究[A];全国冶金自动化信息网年会论文集[C];2004年

7 郭锐;王建国;;基于特征分解的多通道SAR运动目标检测[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集（上）[C];2006年

8 王睿;国智;王凤宇;;利用动态参数检测红外动目标的算法研究[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 许京伟;频率分集阵列雷达运动目标检测方法研究[D];西安电子科技大学;2015年

2 屈鉴铭;智能视频监控中的运动目标检测与跟踪技术研究[D];西安电子科技大学;2015年

3 郑明洁;合成孔径雷达动目标检测和成像研究[D];中国科学院研究生院（电子学研究所）;2003年

4 危嵩;机载合成孔径雷达动目标检测与成像研究[D];华中科技大学;2005年

5 王东升;视频运动目标检测及其实时处理系统研究[D];电子科技大学;2004年

6 宁蔚;机载/星载雷达地面动目标检测方法研究[D];西安电子科技大学;2005年

7 潘翔;运动目标检测[D];浙江大学;2003年

8 张立峰;动目标检测、成像与参数估计方法研究[D];西安电子科技大学;2013年

9 张云;高分辨SAR运动目标检测与成像若干技术研究[D];哈尔滨工业大学;2010年

10 孟祥东;空时二维自适应信号处理与动目标检测[D];西安电子科技大学;2009年

中国硕士学位论文全文数据库 前10条

1 夏斌伟;视频监控中的运动目标检测与跟踪[D];华南理工大学;2015年

2 亓萌;双基地SAR动目标检测及成像研究[D];电子科技大学;2015年

3 王龙;动态场景建模与运动目标检测方法研究[D];电子科技大学;2014年

4 黄蒙;基于FPGA的雷达运动目标检测系统设计[D];西安电子科技大学;2014年

5 罗一淳;SAR转动目标检测与参数估计方法研究[D];国防科学技术大学;2013年

6 柴国强;机载SAR动目标检测及参数估计技术研究[D];电子科技大学;2014年

7 苏靖峰;基于激光扫描的运动目标检测与识别[D];电子科技大学;2014年

8 李春海;DBS成像与广域地面动目标检测、定位方法研究[D];西安电子科技大学;2014年

9 宋琳;机载SAR地面动目标检测和成像算法研究[D];哈尔滨工业大学;2008年

10 薄兰尧;机载合成孔径雷达动目标检测方法研究[D];西安电子科技大学;2006年

  本文关键词：智能视频监控中的运动目标检测与跟踪技术研究，，由笔耕文化传播整理发布。

本文编号：256104