智能多模式行为识别方法的研究

论文摘要

智能视频跟踪是近年来新兴的一个研究方向,它融合了计算机视觉、模式识别、人工智能等学科的技术,形成了一种能从图像信号中实时地自动识别目标、提取和预测目标位置信息、自动跟踪目标运动的技术,在安全监控、智能交通、视频压缩与检索等方面有广阔的应用前景。本文在研究了几种常用的运动目标检测算法和运动目标跟踪算法的基础上,设计并实现了一套智能视频跟踪系统。在运动目标检测方面,对基于高斯统计模型的背景减法进行了改进,同时提出了一个将高斯模型与帧差法相结合的检测系统构架,并针对高斯模型检测结果易受阴影影响的问题,通过对光照模型和颜色特性的分析,改进了基于HSV颜色空间检测阴影的算法。卡尔曼滤波计算快速准确,但是要求运动目标的状态演变要满足线性高斯的条件(比如在短时间内目标运动是匀速的);粒子滤波能适用于非线性非高斯的系统,但是计算和存储的要求相对比较高。采用Comaniciu等人提出的Mean Shift跟踪算法,这种方法依赖于由目标区域得到的灰度分布并计算出图象空间中目标中心的位移,能适应目标运动较快且形状和亮度不断变化的情况。由于视频跟踪的特性,文中实验部分所用Mean Shift算法与原始的Mean Shift跟踪算法而言稍做了改进。实验中进行核密度估计的核是Epanechnikov核,通过当前密度估计与候选密度估计的比较,来判定跟踪的下一帧的位置。实验表明,该算法能有效的、准确地跟踪视频中的运动目标,计算量小,可以满足实时性要求高的场合。最后,建立了面向复杂条件下视频运动目标检测和跟踪实验系统,为验证相关算法提供了实验平台。具体讨论了实验系统的软、硬件架构、总体框架、各模块的主要功能、评估方法及适用范围。实验结果表明系统在一定范围内具有一定的实用价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 课题的研究背景及意义
• 1.2 研究现状与发展趋势
• 1.3 课题的主要研究内容
• 1.4 论文内容的组织结构
• 第二章 视频基础知识
• 2.1 视频的定义及分类
• 2.2 视频技术
• 2.2.1 视频压缩技术
• 2.2.2 视频编码的相关标准
• 2.2.3 视频网络传输技术
• 第三章 运动目标的检测
• 3.1 运动目标检测概述
• 3.1.1 帧差法
• 3.1.2 光流法
• 3.1.3 背景减法
• 3.1.4 其他方法
• 3.2 阴影检测
• 3.2.1 运动目标阴影的特性
• 3.2.2 运动目标阴影检测的方法
• 3.2.3 运动目标阴影检测的试验结果
• 3.3 后处理
• 3.3.1 数学形态学的介绍
• 3.3.2 连通组件标识
• 3.3.3 处理后的结果
• 3.4 本文的检测方法
• 3.4.1 基于高斯模型的背景减法
• 3.4.1.1 背景的描述
• 3.4.1.2 高斯模型的检测
• 3.4.1.3 背景图像的更新
• 3.4.1.4 实验结果分析
• 3.4.2 改进的高斯模型背景减法
• 3.4.3 本文检测系统构架
• 3.5 小结
• 第四章 运动目标跟踪方法分析
• 4.1 滤波器
• 4.2 贝叶斯递推滤波算法
• 4.2.1 贝叶斯递推滤波原理
• 4.2.2 贝叶斯递推滤波的实现方法
• 4.3 卡尔曼滤波的基本原理
• 4.4 蒙特卡罗方法
• 4.5 粒子滤波
• 4.5.1 基本原理
• 4.5.2 退化现象
• 4.6 小结
• 第五章 运动目标跟踪算法
• 5.1 OpenCV 的概述
• 5.1.1 OpenCV 的特征
• 5.1.2 OpenCV 功能
• 5.1.3 在VC6.0 下安装OpenCV
• 5.1.4 OpenCV 中Mean-Shift 功能
• 5.2 基于OpenCV 的Mean Shift 跟踪算法
• 5.2.1 密度估计
• 5.2.2 Mean Shift 算法
• 5.3 Mean Shift 算法在实验中的实现思想
• 5.4 实验结果及分析
• 5.4.1 实验演示截图及相关代码说明
• 5.4.2 对视频跟踪中所用到的Mean Shift 算法的分析
• 5.4.3 实验中存在的问题及出现问题的可能情况
• 5.5 小结
• 第六章 系统设计及实现
• 6.1 实验系统
• 6.1.1 实验系统的硬件环境
• 6.1.2 实验系统软件构成
• 6.2 系统的实现
• 6.2.1 系统框架
• 6.2.2 关键算法说明
• 6.2.2.1 运动目标检测模块的编程
• 6.2.2.2 运动目标跟踪模块代码
• 6.3 系统性能评价
• 6.4 小结
• 第七章 总结和展望
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献