论文部分内容阅读
智能视觉监控是计算机视觉领域新兴的研究方向,它通过对摄像机拍录的图像序列进行自动分析来对被监控场景中的变化进行定位、跟踪和识别,并在此基础上分析和判断有关目标的行为,从而做到既能完成日常管理又能在异常情况发生时做出反应。本文对智能视觉监控中的基于模型和基于区域的人体检测和跟踪进行了研究。 首先,作为本文提出的基于模型的人体跟踪的基础,本文在借鉴量子计算和量子进化算法(Quantum-Inspired Evolutionary Algorithm,QEA)思想的基础上,提出概率进化算法(Probability Evolutionary Algorithm,PEA)。在概率进化算法中,个体采用由观测概率构成的概率复合位进行编码,通过观测操作得到个体的观测值,通过更新操作改变概率复合位中的观测概率使个体得以进化。函数优化和0-k背包问题实验表明,与量子进化算法和传统遗传算法相比,概率进化算法在适用范围、搜索能力和收敛速度上有明显的优势。 其次,针对基于模型的目标检测和跟踪,本文提出了基于概率进化算法的人体跟踪。在基于概率进化算法的人体跟踪中,将跟踪置于函数优化框架内,视跟踪为在模型可行域内求解与图像观测特征具有最优匹配的模型的函数优化问题,并对此目标函数使用概率进化算法寻优。模拟场景和真实场景实验表明,与基于粒子滤波的人体跟踪算法相比,基于概率进化算法的人体跟踪具有较高的跟踪精度和较快的运算速度。 最后,针对基于区域的目标检测和跟踪,本文提出了结合相关向量和Boosting学习的实时多人脸跟踪系统。在系统启动时,通过基于Boosting学习的人脸检测器检测人脸,并构建人脸的运动模型和色彩模型;在跟踪过程中,根据人脸状态的不同采用不同的跟踪方法(基于相关向量机的跟踪,邻域搜索或放弃跟踪),并根据跟踪结果进行人脸状态转换;当跟踪满足一定条件时,系统启动一次全图搜索以检测放弃跟踪的人脸和新的人脸。在全图搜索和邻域搜索中,提出了人脸相似度矩阵以进行有效的搜索。实验表明,本文提出的多人脸跟踪系统具有如下特点:1) 自动检测场景中出现的新的人脸;2) 能够正确识别被遮挡后重现或离开场景后又出现的人脸;3) 具有较快的运算速度。