论文部分内容阅读
在社会信息化发展过程中,智能监控以及单人体跟踪系统也得到长足的发展,并且有了一定的应用。然而,多人体跟踪系统研究一直是一个难点问题,由于受阴影、光照以及人体之间的互遮挡影响,导致目标跟踪错误或丢失。本文主要关注视频监控中互相遮挡人体的跟踪问题,完成的主要工作如下:(1)对于运动的检测,为了避免光照和阴影给前景检测带来的影响,提出了背景模型和背景边界模型相结合的前景检测模型。该模型能够较完整的获取前景目标,能够有效避免光照和阴影给前景检测带来的影响。(2)视频监控中,拥挤人群的遮挡给人体分割和跟踪带来很大困难。为了解决该问题,提出了人体模型和人体边缘曲线相结合的人体分割方法。此方法依据人体边界像素点绘制人体边界曲线,通过对边界曲线的处理来确定人体头部的宽度,最后根据人体模型来确定人体各部分的比例。由于本文提出的分割方法是将对二维图像的处理转化为对一维曲线的处理,因此,此方法具有简单而且实时性好的优点。(3)采用分层Dirichlet过程(HDP)与BP网络相结合的人体跟踪模型。本文提出的遮挡处理方法能够有效的解决人体遮挡问题,但也会造成人体特征值存在较大的缺损、畸变,而BP神经网络可处理一些环境信息十分复杂,推理规则不明确的问题,允许样本有较大的缺损、畸变,其学习和训练算法相对简单、速度快,因此本文采用BP神经网络作为人体跟踪模型。本文跟踪系统分为在线人体跟踪和离线网络学习两个子系统。在线跟踪过程中,用HDP对当前帧中得到的人体特征向量与知识库中人体特征数据进行聚类来决策是否有新的人体行为模式产生,如果有则激活离线子系统来量化新的行为模式,并更新知识库。随着BP网络不断学习,知识库越来越丰富,系统的跟踪性能及适应性不断提高。通过在BP网络学习过程中引入HDP,有效提高了BP神经网络学习的自主性和效率。