论文部分内容阅读
智能监控系统的发展使传统的监控设备有了更多的应用场景,在智能监控系统中,行人的检测和跟踪在交通流量统计、公共空间安防和数据挖掘分析等领域应用广泛。作为后续分析和统计工作的基础,提高行人检测和跟踪部分的准确率尤为重要。但是,在监控视频中,复杂的检测和跟踪环境对算法提出了较高的要求。目标的尺度变化、形态变化、背景的颜色干扰、光线变化等因素降低了行人检测和跟踪方法的准确率。因此,本文总结和分析了监控视频下的行人检测和跟踪方法,并分别在行人检测和行人跟踪部分提出了相关的改进算法,具体工作如下:1.分别研究和比较了监控视频场景下的行人检测和跟踪方法,分析了各算法应用于监控视频场景中的优缺点。针对行人跟踪方法,在多个数据集上验证了各算法的跟踪效果,并从特征融合、算法理论融合和自适应粒子滤波三个方面研究了改进的粒子滤波跟踪算法。2.针对经典ViBe(Visual Background extractor,ViBe)算法在第一帧中有行人目标时存在的“鬼影”问题,提出一种新的改进算法—MViBe算法。通过帧差法获取行人具体位置并通过多帧图像重新构建背景模型,实验结果显示MViBe算法不仅实时性较高,而且可以有效地消除经典ViBe算法中出现的“鬼影”,算法的准确率、召回率和综合评价指标分别至少提高了 22%、6.6%和15.8%。3.提出一种融合颜色特征和纹理特征的自适应粒子滤波跟踪算法GCPF(GLCM-Color PF,GCPF)。分别通过彩色直方图和灰度共生矩阵描述行人的颜色特征和纹理特征,通过灰度共生矩阵的对比度参数自适应调整两种特征的权重。实验结果显示,在复杂环境下,GCPF算法有效提高了行人和背景颜色相似情况下跟踪的成功率,提升了光照变化条件下行人跟踪的准确率。综上,本文在行人检测部分提出了一种改进的行人检测算法—MViBe算法,并在行人跟踪部分提出了一种融合颜色特征和纹理特征的自适应粒子滤波跟踪算法—GCPF算法。在多组监控视频数据集中对所提出的算法进行验证,实验结果表明,本文提出的MViBe算法可以有效去除经典ViBe算法中存在的“鬼影”,GCPF算法可以显著提高复杂场景下跟踪的准确率和成功率。