视频监控目标的跟踪与识别研究

发布时间：2017-05-11 17:02

  本文关键词：视频监控目标的跟踪与识别研究，由笔耕文化传播整理发布。

【摘要】：视频监控系统利用计算机视觉和图像处理技术对摄像头采集的视频图像进行目标的检测、跟踪以及识别等，为监控者提供关键信息，是实现“智慧城市”、“平安城市”的重要手段。近年来，学者们对视频监控系统中的视频分析算法进行了大量的研究，并取得了一些成果，对视频监控系统的应用与推广起到了促进作用。但是，由于存在监控环境和监控目标动态变化（如光照变化、摄像机运动、目标姿态尺度变化等）的问题，设计实时鲁棒性的视频分析算法仍然是该研究领域的一个热点和难点。本文针对视频监控系统中的核心技术，包括：光照变化的预处理、目标检测与跟踪、目标识别等，进行了系统深入的研究，取得的创新性成果如下： （1）针对复杂场景中光照变化对目标跟踪与识别的影响，提出一种基于局部特征与全局特征联合的目标光照变化自适应抑制算法（Local-to-Global AdaptiveSupressing of Illumination，LGA）。传统的用于抑制光照变化的图像增强算法分为两种：基于局部特征的增强算法和基于全局特征的增强算法，两者往往是孤立存在的。基于局部特征的增强算法处理非均匀光照效果好，但是运算复杂，处理后图像灰度动态范围被压缩，对灰度级的利用率较差；基于全局特征的增强算法计算简单，对灰度动态范围的拉伸效果明显，能够较充分地利用图像灰度级，但是忽略了图像细节，容易丢失图像纹理、边缘等有利于跟踪和识别的特征。本章提出的LGA算法将基于局部特征和基于全局特征的图像增强方法融合，能够发挥两者的优势。算法首先对基于空间变换亮度映射（space-variant luminance map，SVLM）的局部对比度增强算法进行改进，，利用全局特征构建自适应的伽马校正系数查找表，提高了SVLM算法的计算效率，实现了图像的局部光照变化抑制；然后利用区域相似性直方图自适应获取直方图平滑系数，有效提高灰度级的利用率的同时控制增强程度，防止过度增强，实现了全局增强。实验表明，该算法既能保证对光照变化的抑制效果，又能够保证图像增强的实时性，满足视频图像光照处理系统的要求。 （2）针对视频跟踪中目标姿态变化导致跟踪漂移的问题，提出一种基于在线极端学习机与粒子滤波级联的实时目标跟踪算法。基于分类的目标跟踪算法将跟踪问题转化为分类问题，在目标和背景样本充足的情况下能够适应目标姿态变化，并抑制模板漂移。本文提出的基于在线极端学习机与粒子滤波级联的实时目标跟踪模型具有以下优势：首先极端学习机输入层网络参数随机分配，输出层网络参数只需通过最小二乘算法获得，无需通过复杂的迭代算法求解，训练速度快，能够满足跟踪系统实时性的要求；其次在线极端学习机能够将训练样本成个或成批添加进网络，无需重新训练，对目标姿态的变化具有很好的适应性，能够提高目标分类的精度，获得更加可靠的置信度，进而实现目标跟踪精度的提升；再次在目标定位阶段，利用粒子滤波算法产生有限数目的候选样本可提高计算效率，并且通过计算分类结果的后验概率进一步降低了分类误差对定位精度的影响。实验结果表明，本文算法在计算效率和跟踪性能上优于目前较为先进的跟踪算法，是一种有效的实时跟踪算法。 （3）为了获得稳定的跟踪效果，针对在线极端学习机与粒子滤波级联的算法无法判别目标丢失以及无法适应目标尺度的变化的问题，提出一种基于视觉字典的在线极端学习机目标检测和跟踪算法。算法将视觉字典作为检测器，将在线极端学习机与粒子滤波级联算法作为跟踪器，利用互反馈技术提高跟踪性能。跟踪器主要实现目标跟踪，同时为视觉字典的构建和更新提供样本；检测器主要实现目标丢失判别和目标丢失后重新检测。为了提高目标丢失判别的准确性，提高抗局部遮挡的能力，在目标检测器中提出一种局部随机抽样的直方图相似性度量技术，采用局部划分思想和Noisy-NR模型计算候选样本与训练样本特征直方图的相似性，减少了传统直方图匹配因受目标局部遮挡影响造成的误判。为了适应目标的尺度变化，在目标未丢失时，利用Ransac算法获得目标的尺度变换系数并在新尺度下更新跟踪器。实验结果表明，该算法能够适应目标的尺度变化，检测目标丢失，提高跟踪稳定性。 （4）为了获得具有光照、姿态、尺度不变性的视频人脸识别系统，首先将前三个创新点应用于视频人脸识别系统中，提取具有光照不变性的多姿态多尺度人脸图像；然后将图像进行尺度归一化，并针对人脸的运动模糊，提出基于双高斯模型的模糊检测技术，用于剔除模糊人脸，提高人脸识别率；最后，针对人脸姿态变化导致识别率下降的问题，提出基于图像集与概率外观流形的视频人脸识别算法。该算法利用概率外观流形算法获得测试集中所有人脸姿态的准确划分，形成测试集的姿态流形，计算这些姿态流形与训练集中对应的姿态流形之间的流形距离，选择距离最小的类别作为测试集的目标类别。算法的优势在于：利用概率外观流形进行姿态标定能够充分利用图像之间的时域关系；利用图像集而非单一图像计算测试集与训练集的流形距离能够适应较大的姿态变化。实验结果表明，本算法优于其他视频人脸识别算法。
【关键词】：视频监控系统 图像增强 目标跟踪 目标识别 极端学习机 概率外观流形
【学位授予单位】：北京理工大学
【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
• Abstract7-10
• 目录10-13
• 图序13-15
• 表序15-16
• 第1章 绪论16-30
• 1.1 研究背景与意义16-17
• 1.2 视频监控的目标跟踪与识别框架研究17-18
• 1.3 国内外研究现状18-25
• 1.3.1 视频监控系统的研究现状18-20
• 1.3.2 主要视频监控算法的研究现状20-25
• 1.4 存在的关键问题25-26
• 1.5 论文主要研究工作及创新性成果26-28
• 1.6 论文的章节内容安排28-30
• 第2章 局部特征与全局特征联合的光照变化自适应抑制30-52
• 2.1 引言30-32
• 2.2 LGA 算法概述32-33
• 2.3 结合全局特征的局部对比度增强33-39
• 2.3.1 SVLM 局部对比度增强原理34-36
• 2.3.2 对 SVLM 算法的改进36
• 2.3.3 基于全局特征的 SVLM 算法伽马系数自适应校正36-39
• 2.4 结合局部特征的全局增强39-44
• 2.4.1 直方图修正与平滑40-42
• 2.4.2 区域相似性直方图平滑42-44
• 2.5 实验结果分析44-50
• 2.5.1 视频图像增强的客观标准评价45-48
• 2.5.2 复杂光照下人脸检测与识别应用评价48-50
• 2.6 本章小结50-52
• 第3章 在线极端学习机与粒子滤波级联的实时目标跟踪52-72
• 3.1 引言52-54
• 3.2 OSELM-PFT 算法涉及的基本理论54-58
• 3.2.1 标准 ELM 原理54-55
• 3.2.2 在线 ELM 原理55-56
• 3.2.3 传统粒子滤波算法原理56-58
• 3.3 OSELM-PFT 算法概述58-60
• 3.4 OSELM-PFT 算法设计60-63
• 3.4.1 OSELM-PFT 算法的分类器设计60-62
• 3.4.2 OSELM-PFT 目标定位算法设计62-63
• 3.5 实验结果与分析63-70
• 3.5.1 抗目标姿态变化跟踪64-66
• 3.5.2 抗目标遮挡跟踪66-67
• 3.5.3 快速运动目标的跟踪67-69
• 3.5.4 计算效率分析69-70
• 3.6 本章小结70-72
• 第4章 基于视觉字典的在线 ELM 目标检测和跟踪72-84
• 4.1 引言72-73
• 4.2 BW-OSELM-PFT 算法概述73-74
• 4.3 BW-OSELM-PFT 目标检测和跟踪74-79
• 4.3.1 视觉字典的构建74-76
• 4.3.2 基于视觉字典的目标丢失判别76-77
• 4.3.3 基于 Ransac 的尺度与旋转系数计算77-78
• 4.3.4 视觉字典的更新78-79
• 4.4 实验结果分析79-83
• 4.4.1 目标丢失判别79-80
• 4.4.2 目标尺度变化80-81
• 4.4.3 抗遮挡性能81-82
• 4.4.4 计算复杂度分析82-83
• 4.5 本章小结83-84
• 第5章 具有光照、姿态和尺度不变特性的视频人脸识别84-102
• 5.1 引言84-86
• 5.2 本章视频人脸识别算法概述86-88
• 5.3 基于概率外观流形的人脸识别算法88-92
• 5.3.1 概率外观流形88-91
• 5.3.2 学习流形和转移概率91
• 5.3.3 PAM 视频人脸识别过程91-92
• 5.4 基于图像集与概率外观流形的视频人脸识别方法92-97
• 5.4.1 模糊图像判别和去除92-93
• 5.4.2 流形姿态变化标定93-94
• 5.4.3 流形相似性度量94-97
• 5.5 实验结果分析97-99
• 5.5.1 Honda/UCSD 数据库实验结果分析98-99
• 5.5.2 网络数据库实验结果分析99
• 5.6 本章小结99-102
• 第6章 总结与展望102-106
• 6.1 论文工作总结102-104
• 6.2 研究工作展望104-106
• 参考文献106-120
• 攻读博士学位期间发表学术论文与研究成果120-122
• 致谢122-124
• 作者简介124

【参考文献】

中国期刊全文数据库 前10条

1 彭国福;林正浩;;图像处理中GAMMA校正的研究和实现[J];电子工程师;2006年02期

2 潘吉彦;胡波;张建秋;;抑制模板漂移的目标跟踪算法[J];电子学报;2009年03期

3 汪荣贵;朱静;杨万挺;方帅;张新彤;;基于照度分割的局部多尺度Retinex算法[J];电子学报;2010年05期

4 王睿;方勇;;一种图像局部模糊检测方法及其在被动图像认证中的应用[J];高技术通讯;2009年07期

5 侯晴宇;张伟;武春风;逯力红;;改进的均值移位红外目标跟踪[J];光学精密工程;2010年03期

6 卢世军;;生物特征识别技术发展与应用综述[J];计算机安全;2013年01期

7 夏楠;邱天爽;李景春;李书芳;;一种卡尔曼滤波与粒子滤波相结合的非线性滤波算法[J];电子学报;2013年01期

8 孙景乐;唐林波;赵保军;刘晴;;基于瑞利分布的粒子滤波跟踪算法[J];电子与信息学报;2013年04期

9 朱瑞奇;齐乃新;张胜修;曹立佳;;一种基于粒子滤波的改进红外目标跟踪算法[J];四川兵工学报;2014年03期

10 刘汝杰,袁保宗,唐晓芳;一种新的基于聚类的多分类器融合算法[J];计算机研究与发展;2001年10期

中国博士学位论文全文数据库 前1条

1 姜明新;智能视频监控中的目标跟踪技术研究[D];大连理工大学;2013年

  本文关键词：视频监控目标的跟踪与识别研究，由笔耕文化传播整理发布。

本文编号：357659