论文部分内容阅读
随着社会的发展和科技的进步,城市视频监控网络的发展越来越迅速,覆盖到了人类活动的各种场所。视频监控在很大程度上保障着城市的人员财产安全,极大地减少违法犯罪行为。此外,视频监控还可以加强对城市交通的管理,对于车辆违规行为和突发事故及时发现、警报和预测。面对大量的视频监控终端带来的海量数据,传统人工监查的方式已经不能满足需求,智能化的监控视频处理技术成为今后发展的必然趋势。智能化的视频监控技术属于模式识别与计算机视觉领域的一个分支,主要关注的技术是对监控视频中的运动物体进行检测、跟踪、识别和分析等操作。利用这些技术,人们可以快速获得感兴趣目标的位置、轨迹以及行为等有效信息,其中运动目标检测与目标跟踪是智能视频监控技术的基础。尽管目前在这个方向已经有了大量的研究成果,但是由于复杂的视频监控环境带来的背景扰动、目标遮挡等诸多因素的影响,还存在着许多问题未得到解决。本文针对其中的一些问题进行研究,提出改进的运动目标检测与跟踪算法,主要研究工作和创新成果如下:1.提出了基于时空上下文与背景建模的运动目标检测算法。时空上下文体现了视频序列内部隐含的约束关系,本文对这种时空上下文约束关系建立新的模型,将其与背景建模的方法统一到二值最优化问题求解的框架当中。实验结果表明该方法能够有效应对复杂监控视频环境下的光照变化、前景背景相似、背景噪声以及背景物体扰动如喷泉、水纹、树枝摇晃等情况,对运动目标的外部轮廓能够得到较为精确的分割,具有很高的检测准确率和鲁棒性。2.提出了基于压缩特征与运动估计的目标跟踪算法。为了达到跟踪的实时和准确性要求,本文引入一种高效的压缩特征。针对在线学习算法跟踪时容易出现目标漂移的问题,使用卡尔曼滤波器对目标进行运动估计,对在线学习的朴素贝叶斯分类器得到的结果进行补充和校正。研究对目标的跟踪窗口进行尺寸调整的方法,通过统计SURF特征点数目对目标区域进行信息量度量,以此为依据调整跟踪窗口大小。实验结果表明用压缩特征作为外观模型以及用卡尔曼滤波进行运动估计的目标跟踪算法在复杂的监控视频监控环境下具有较好的准确率和稳定性。