论文部分内容阅读
近几年,踩踏事件、恐怖袭击等公共安全事件频发,公共安全领域获得越来越多的关注。同时,公共区域监控摄像头日益增多。如果能够对这些监控视频进行有效的实时分析,及时发现和处理安全隐患和突发事件,就可以极大地减少各种公共安全事件。然而依靠人工分析这些监控视频,效率低,费用高,准确度不稳定。我们迫切地需要自动分析处理监控视频的算法。 行人的长程轨迹包含了行人行为的丰富信息,是分析监控视频的第一步,在很多领域有着重要作用,例如人群密度估计、流量统计、限流和疏散指挥、异常行为检测等等。真实视频中提取的行人轨迹还可以为数据驱动的人群模拟提供训练数据。在这些应用中,监控摄像头往往处于较高位置,拍摄距离远,场景大,且行人密度较大。这将导致以下几个难题。第一,监控视频中行人分辨率较低,行人外观特征不明显。第二,行人在视野范围内时间较长,很难保证跟踪长时间不发生错误。尤其在行人密度较大,互相遮挡频繁时。第三,监控摄像头往往数量巨大,这要求跟踪算法的参数设置简单方便,易于扩展。 目前,多目标跟踪的研究主要集中在基于检测的跟踪方法。这类方法的效果严重依赖于目标检测的效果。在行人分辨率较低,部分遮挡频繁时,行人检测的效果将大大下降,导致基于检测的跟踪方法的效果也大大下降。另外,此类方法需要大量训练数据,且跨场景泛化能力差。每次新设置一个摄像头时,视角、分辨率等变化将导致需要重新训练。这对于大规模监控摄像头网络非常不实用。 现在也有一些论文研究了基于特征点轨迹聚类的行人跟踪方法。这类方法一般不需要训练过程,且对分辨率要求比较低,对部分遮挡比较不敏感。但是这些论文都集中在讨论一个时间窗口内的跟踪,而不考虑长程跟踪问题,因此无法得到可靠的长程行人轨迹。行人长程轨迹包含的信息相对于轨迹碎片要丰富得多,应用场景也更多。尤其对于异常行为检测,行人轨迹的完整性至关重要。 本文围绕远距离、大场景监控视频中的行人长程轨迹提取这一问题,针对以上难点展开研究,取得了如下研究成果: (1)提出一种在时间窗口内提取行人轨迹的方法 该方法在一个时间窗口内对KLT特征点轨迹进行Meanshift聚类,得到行人轨迹。该方法充分利用了KLT特征点轨迹的时空信息,克服了基于检测的行人跟踪方法对行人外观信息的依赖,在低分辨率、部分遮挡频繁的情况下也能取得较好的效果,适用于远距离、大场景监控视频的行人轨迹提取。实验证明,本文方法在行人分辨率约50×100像素时,效果远好于基于检测的行人跟踪方法。同时,该方法不需要训练过程,参数设置简单方便,易于扩展,适用于大规模监控摄像头网络。 (2)提出一种利用外观特征一致性来关联并延长跟踪结果的方法 该方法在充分利用了KLT特征点轨迹的时空信息的基础上,引入外观特征一致性以关联和延长跟踪结果。为了在不进行行人检测的情况下对行人外观进行描述,本文创新地提出了一种基于特征点轨迹的外观特征。经实验证明,外观特征一致性可以显著降低行人跟踪过程中目标跳换的错误,从而获得高质量的长程行人轨迹。