论文部分内容阅读
传统的视频监控系统可对视频图像进行实时观看、保存及回放等功能,但不能自动的进行报警。然而,智能视频监控通过先进的视觉技术对视频信号进行分析和处理,使得计算机能够过滤掉用户不关心的目标信息,从而为用户提供对监控有帮助的信息。在无人监控的情况下,通过分析视频图像中的变化自动的进行识别和跟踪,并在此条件下判断和理解目标的行为,可以在异常行为出现时第一时间报警或给控制室提供具有帮助的信息,其中视频图像中的目标跟踪是计算机视觉技术中的热点问题。目标跟踪即在视频序列中估计被跟踪目标的正确位置,它在人机交互、行为识别、运动分析、视频监控、机器人技术等多个应用领域扮演着重要角色。由于自然场景中存在复杂的干扰因素,如:严重遮挡、部分遮挡、平面内外转动、运动模糊、光照变化、背景混乱及尺度变化等,现有跟踪算法在速度和精度方面仍存在不足。为了改善复杂环境下目标跟踪的精确性和健壮性,本文首先分析了基于颜色属性的目标跟踪算法的不足,并通过改进其计算当前帧训练样本的方法,即当前帧与前一帧样本差异比较小时,综合考虑当前帧及前一帧样本,通过给予不同的权重来获得最佳训练样本。相反,两者差异比较大时,通过当前帧计算得到最佳训练样本,从而使得算法更为鲁棒且速度达到实时。遮挡是视频跟踪课题中经常遇到的难题之一,由于颜色属性跟踪算法采用了近似于模板匹配的方式搜索目标区域,无论综合前一帧和当前帧的数据做训练样本还是仅使用当前帧或前一帧作为训练样本,均难以取得较好的跟踪效果。为此,在这一情况下,本文尝试利用计算复杂度更大但更为鲁棒的稀疏协作表观模型算法重新计算当前帧的目标位置。不足之处在于,其计算复杂度高、耗时长、难以实时。为了同时保证算法的速度和准确性,本文构建了一套基于跟踪结果置信度评量的策略选择机制,将两种算法进行有机整合,提出一种基于自适应策略的实时目标跟踪方法。在多个公开数据集下的对比实验显示,与现有跟踪算法相比,本文方法在跟踪效果和速度上具有较显著优势,并在目标存在尺度变化、背景混乱、严重遮挡等情况时,均能得到较好的跟踪效果。