智能視覺監(jiān)控中多運動目標檢測與跟蹤方法研究.pdf_第1頁
已閱讀1頁,還剩169頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、安全防范領域中己廣泛采用視覺傳感器監(jiān)控場景,但大多數(shù)系統(tǒng)仍停留在半人工式的模擬監(jiān)控,迫切需要研制智能化的視覺監(jiān)控系統(tǒng),而多運動目標檢測、跟蹤是智能視覺監(jiān)控的基礎性問題,同時也是關鍵性的難點問題。本論文主要研究了智能視覺監(jiān)控系統(tǒng)中多運動目標檢測與跟蹤方法,首先提出了復雜場景中的目標檢測方法,然后針對不同跟蹤需求,分析提出了多種目標跟蹤方法,最后介紹了自主開發(fā)的智能網絡視覺監(jiān)控系統(tǒng)。全文主要工作包括如下幾個方面。
   論文首先介紹

2、了智能視覺監(jiān)控的研究背景及意義,并對智能視覺監(jiān)控系統(tǒng)的構成進行了深入分析,系統(tǒng)詳細地闡述了智能視覺監(jiān)控系統(tǒng)及關鍵技術的國內外研究現(xiàn)狀,并以此為基礎,分析了智能視覺監(jiān)控處理中的難點問題,及闡述本論文的研究意義。
   目標檢測是智能視覺監(jiān)控的基礎,目標檢測的準確性直接影響后續(xù)跟蹤處理,而復雜場景中存在的大量動態(tài)變化對目標檢測造成極大干擾,因此,論文第二章在分析了常用的參數(shù)化、非參數(shù)化背景模型的基礎上,將復雜場景中的目標檢測問題轉化

3、為圖像像素標記問題,提出了一種非參數(shù)目標檢測方法:基于MAP—MRF框架的蟻群優(yōu)化目標檢測方法。首先通過混合核密度估計法估計場景的條件概率分布,在馬爾可夫隨機場(MRF)中得到像素標記的先驗概率,并據(jù)此推導出后驗能量函數(shù),即建立了MAP-MRF框架,采用蟻群算法優(yōu)化后驗能量函數(shù),從而得到像素標記結果,實現(xiàn)了非閾值化、上下文關聯(lián)的目標檢測,在視頻序列上的實驗結果表明該方法魯棒性高,能較好地適應場景中的復雜動態(tài)變化,準確、有效地檢測運動目標

4、。
   在檢測出目標區(qū)域后,可在目標區(qū)域提取特征進行目標跟蹤。監(jiān)控場景中的多運動目標往往具有不同外觀特征,基于外觀模型跟蹤多目標是一種常用的跟蹤方法,但如何建立有效的外觀模型是難點問題。論文第三章分析了目標模型中常用的顏色、運動特征,并結合人體的身體部分間的空間結構特征,提出利用屬性關系圖建立人體外觀模型;為在連續(xù)幀間匹配目標,根據(jù)推導計算的屬性關系圖外觀模型的相似度,建立匹配矩陣,分析了四種不同的匹配情況下的跟蹤策略,如判定

5、多人體相互遮擋,則通過概率松弛法優(yōu)化匹配遮擋人體的身體部分及上一幀的跟蹤標記,從而實現(xiàn)遮擋情況下的多人體跟蹤。通過比較該方法與其他典型的外觀跟蹤方法在多個視頻序列上的跟蹤結果、性能指標,驗證了該方法跟蹤不同人體外觀的有效性、準確性。
   傳統(tǒng)的基于目標檢測——目標特征的跟蹤方法依賴于目標檢測結果的準確性,而常用的目標檢測方法,即便采用形態(tài)學濾波等方法對檢測結果進行后處理,仍無法做到完全檢測出完整的目標,常常存在目標“碎片”或“

6、空洞”,影響后續(xù)跟蹤的準確性、有效性。論文第四章在前景目標檢測結果存在目標“碎片”和“空洞”的情況下,提出了一種優(yōu)化碎片標記的多運動目標跟蹤方法。首先將上一幀跟蹤目標劃分成“目標碎片”,并賦予跟蹤標記,再將當前幀前景區(qū)域也劃分成具有特征一致性的“前景碎片”,在當前幀將目標碎片的跟蹤標記隨機分配給前景碎片,則多目標跟蹤問題轉化為前景碎片的標記優(yōu)化問題;建立前景碎片的屬性關系圖及與其標記相同的上一幀目標碎片的屬性關系圖,采用概率松弛法分析得

7、到前景碎片標記優(yōu)化的目標函數(shù),并通過遺傳算法優(yōu)化,給前景碎片分配最優(yōu)的跟蹤標記,即可通過前景碎片的跟蹤標記進一步分割出完整目標區(qū)域的同時完成了目標識別、跟蹤。在室內外監(jiān)控視頻序列上實驗結果表明,該方法能在前景檢測結果存在“碎片”、“空洞”的情況下,準確、有效地跟蹤多運動目標。
   在監(jiān)控范圍大,運動目標外觀特征少或者外觀相似的情況下,數(shù)據(jù)關聯(lián)是跟蹤能否實現(xiàn)的關鍵問題。論文第五章僅采用目標運動特征,提出一種改進聯(lián)合概率數(shù)據(jù)關聯(lián)的

8、多目標快速跟蹤方法,采用簡化murty算法求聯(lián)合概率數(shù)據(jù)關聯(lián)(JPDA)的最優(yōu)K個聯(lián)合事件,能大大降低計算復雜度,避免在目標較多時的關聯(lián)匹配呈指數(shù)增加,討論了在目標新出現(xiàn)、消失、遮擋、分離(包括前景檢測不準確造成的碎片)等復雜情況下當前幀量測與跟蹤目標的數(shù)據(jù)關聯(lián)、目標狀態(tài)估計,從而有效實現(xiàn)了多目標復雜運動的快速跟蹤。在標準數(shù)據(jù)庫上的實驗證明,該方法能在大范圍復雜場景中有效跟蹤多個外觀相似且外觀區(qū)域小的目標,跟蹤精度比傳統(tǒng)JPDA方法大大

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論