监控视频中运动目标视觉分析

论文摘要

运动目标视觉分析涉及到模式识别、图像处理、人工智能等多学科知识,是当今计算机视觉领域的研究热点。监控视频的运动目标分析包括运动目标检测与跟踪,以及在此基础之上的目标分类、识别和行为理解等相关技术。本文主要研究了一套运动目标检测与跟踪算法,并在此基础上提出了一种运动目标分类算法,实现了复杂场景中运动目标的稳定检测,同时对视频中多个运动目标实现了较为稳定的跟踪以及对几类运动目标的分类。本文主要工作和研究成果如下:1、本文提出了基于自适应最优特征值背景模型的运动检测算法,对像素点多个特征值进行背景建模,而后自适应地选择各像素点的最优特征值,运用最优特征值背景模型进行运动检测。大量的数据测试表明,该算法与高斯背景模型相比,更能有效地去除背景噪声的干扰,取得较好的运动检测效果。2、本文提出一种基于颜色空间分析的粒子滤波多目标跟踪算法,引入对多目标的颜色空间建模分析,提取出各个目标的颜色特征进行建模,并提出一种与之适应的遮挡情况处理方法。大量实验表明,该方法较好的解决了多目标跟踪的遮挡问题,取得良好的跟踪效果。3、在运动目标检测与跟踪的算法基础之上,研究了基于多类SVM的运动目标分类方法,通过引入几种新的目标特征结合其他有效目标特征进行目标建模,实现了几种特定运动目标的分类。4、结合以上方法,通过大量的实验来验证算法的稳定性和正确性,实验结果令人满意。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 国内外研究现状
• 1.2.1 运动目标检测技术研究现状
• 1.2.2 运动目标跟踪技术研究现状
• 1.2.3 运动目标分类技术研究现状
• 1.3 论文的研究内容与贡献
• 1.4 论文组织结构
• 第二章 运动目标检测技术研究
• 2.1 运动目标检测相关技术
• 2.1.1 减背景法的基本原理
• 2.1.2 减背景法的研究重点
• 2.1.3 本文对运动检测方法的研究
• 2.2 基于自适应最优特征值背景模型的运动目标检测
• 2.2.1 问题的引出
• 2.2.2 自适应最优特征值背景模型
• 2.2.3 背景更新
• 2.2.4 前景图像的后处理
• 2.2.5 阴影检测
• 2.3 实验结果与分析
• 第三章 运动目标跟踪技术研究
• 3.1 运动目标跟踪相关技术
• 3.2 粒子滤波原理
• 3.2.1 贝叶斯滤波原理
• 3.2.2 蒙特卡罗方法
• 3.2.3 粒子滤波原理
• 3.3 粒子滤波算法描述
• 3.4 基于颜色空间分析的粒子滤波多目标跟踪
• 3.4.1 算法提出的背景
• 3.4.2 跟踪问题描述
• 3.4.3 基于最佳颜色特征空间的运动目标建模
• 3.4.4 粒子建模
• 3.4.5 遮挡问题处理
• 3.4.6 基于颜色空间分析的粒子滤波多目标跟踪算法过程
• 3.4.7 特征提取与融合
• 3.5 实验结果与分析
• 第四章 运动目标分类技术研究
• 4.1 引言
• 4.2 运动目标分类相关技术研究
• 4.2.1 基于多类支持向量机的分类器
• 4.2.2 运动目标特征描述
• 4.3 基于多类支持向量机的运动目标分类算法
• 4.3.1 算法概述
• 4.3.2 特征分析与选取
• 4.3.3 分类器构建
• 4.4 实验结果与分析
• 4.4.1 实验结果
• 4.4.2 结果分析
• 第五章 监控视频中运动目标视觉分析原型系统
• 5.1 原型系统简介
• 5.1.1 原型系统结构
• 5.1.2 原型系统设计目标
• 5.1.3 原型系统的开发与运行环境
• 5.2 运动目标检测子模块
• 5.3 运动目标跟踪子模块
• 5.4 运动目标分类子模块
• 结束语
• 致谢
• 参考文献
• 作者在学期间取得的学术成果