基于视频的目标检测、跟踪及其行为识别研究

基于视频的目标检测、跟踪及其行为识别研究

论文摘要

目标的检测、跟踪与行为识别作为视频监控的主要研究内容,是当前计算机视觉领域的研究热点,其不但具有重要的实际意义,而且对计算机视觉的其他研究领域有着重要的推动作用。视频监控技术研究的主要目的是赋予机器视觉系统人类的视觉感知功能,以能够在图像序列中发现目标、跟踪目标,并对目标的行为进行识别和理解。经过几十年尤其是近十年的不懈研究,上述技术取得了长足的进步,但实践表明一般意义上的目标检测、跟踪与行为识别技术还远未成熟,要开发出真正鲁棒、实用的视频监控系统还需要更为鲁棒的核心算法。本论文主要对视频监控相关的关键技术进行研究,研究内容涉及目标的检测、目标的跟踪以及人体行为识别等方向,内容涵盖了可见光图像和红外图像领域。现对论文的主要创新点概述如下:1)提出一种基于几何约束和颜色信息的人脸检测算法该方法在充分考虑人脸区域与头发区域的颜色特征与几何关系的基础上,给出了用于描述人脸区域和头发区域之间几何约束的表达模型;在对肤色区域和头发区域分别进行检测后,根据不同候选区域之间的几何关系,通过几何约束对人脸和头发可能存在的区域进行特征判别,完成对图像中的人脸检测。2)分别提出一种单幅红外图像中和序列红外图像中的人体检测方法在单幅红外图像中,针对红外图像中人体图像亮度较高的特点,首先通过亮度方向投影确定可能存在人体的候选区域,进而采用方向梯度直方图对候选目标进行描述。最后将方向梯度直方图作为输入向量采用Fisher线性判别和贝叶斯分类器对候选目标进行分类,完成对候选目标中存在的人体进行检测。在红外序列图像中,首先采用自适应高斯混合模型对序列图像进行背景建模,在准确分割出前景目标的基础上,设计了一种新的人体目标表达模型。以人体表达模型作为输入向量,构建支持向量机对人体目标进行分类判别。在不同的红外场景下进行人体检测实验时,所提出的两种算法均取得了满意的检测效果。3)从自适应目标表达特征的选取和遮挡情况下的目标跟踪两个角度出发对Mean-Shift框架下的目标跟踪问题进行了改进Mean-Shift框架下的目标跟踪大多采用静态目标表达模型,这在动态变化的场景中容易导致跟踪失败。针对该缺点,论文提出一种基于自适应特征生成模型的目标跟踪方法。通过构建目标和背景的局部信噪比,对当前目标所处特征空间的可跟踪性进行量化评估,选用性能最优的表达模型作为当前的特征跟踪模型。实验表明,与采用静态模型相比,提出的算法具有更好的鲁棒性和可行件。经典的Mean-Shift算法要求目标在连续两帧之间部分的重合,在目标发生遮挡时难以满足该条件。该论文将目标的运动在较短时间内看作一时不变系统,通过引入Kalman滤波进行参数辨识而使发生遮挡后的跟踪系统具有后续状态预测的能力。整个跟踪过程分为Mean-Shift跟踪下的Kalman参数辨识和基于Kalman状态估计的Bhattacharyya系数分析两个子过程交替执行。对不同的视频序列测试的结果表明,算法能够对发生遮挡后的目标进行持续、稳健的跟踪。4)在粒子滤波跟踪框架下提出一种多线索融合方法在复杂的动态背景下,采用多线索进行目标跟踪可以提高系统的鲁棒性。论文在注意到不同特征具有不同的鉴别性能的基础上,从分析采样粒子和参考样本的特征空间距离和物理距离之间的关系出发,提出相对鉴别系数这一概念对不同特征问的鉴别性能进行描述,进而采用二次加权的方法对不同特征进行融合。实验结果表明,所提出的算法在多个复杂场景下均能够对目标进行准确、鲁棒的跟踪。5)提出一种基于周期运动分析的人体运动识别方法人体运动识别是视频监控的最终研究目标之一,论文对此提出一种基于周期运动分析的人体运动识别方法。该方法首先通过背景抽取获取人体的前景图像,并采用3个参数对人体的轮廓变化进行测量,以获取人体运动的周期。然后将人体图像投影到一个低维的特征空间中,此时同一周期所包含的特征点组成一个封闭的环。最后设计了一种特征距离函数求取不同的运动环之间的距离,对不同的运动进行分类识别。上述的几个创新点,按照在视频监控任务中所处的层次,由低到高有机连接,为视频监控技术的实用化提供了理论支持。

论文目录

  • 摘要
  • ABSTRACT
  • 目录
  • 第一章 绪论
  • 1.1 引言
  • 1.2 视频监控中的目标检测、跟踪及行为识别技术
  • 1.2.1 目标的检测与分类
  • 1.2.2 目标跟踪
  • 1.2.3 红外图像中行人的检测与跟踪
  • 1.2.4 运动目标行为理解
  • 1.3 当前两种主流的目标跟踪框架及其技术难点
  • 1.3.1 Mean-Shift跟踪框架
  • 1.3.1.1 目标模型的表达
  • 1.3.1.2 Mean-Shift跟踪
  • 1.3.1.3 Mean-Shift跟踪框架的优点和技术难点
  • 1.3.2 粒子滤波跟踪框架
  • 1.3.2.1 序贯重要采样
  • 1.3.2.2 重采样
  • 1.3.2.3 基本粒子滤波算法描述
  • 1.3.2.4 粒子滤波跟踪框架的优点和技术难点
  • 1.4 主要的公共视频数据库
  • 1.5 国内外研究概况及发展趋势
  • 1.6 论文的主要贡献
  • 1.7 论文的结构安排
  • 第二章 基于区域几何约束的人脸检测研究
  • 2.1 引言
  • 2.2 图像预处理
  • 2.2.1 人脸候选区域的检测
  • 2.2.2 头发区域的检测
  • 2.2.3 图像预处理
  • 2.3 算法的实现
  • 2.4 实验与分析
  • 2.5 小结
  • 第三章 红外图像中的人体检测及跟踪技术
  • 3.1 引言
  • 3.2 相关的红外图像中人体检测方法
  • 3.3 单幅红外图像中的人体检测研究
  • 3.3.1 基于方向投影的人体区域初定位
  • 3.3.2 方向梯度直方图在人体形状表达中的应用
  • 3.3.3 基于Fisher线性判别和贝叶斯分类器的人体检测
  • 3.3.4 实验与分析
  • 3.4 序列红外图像中基于背景抽取的人体检测技术
  • 3.4.1 基于自适应高斯混合模型的背景建模
  • 3.4.2 人体目标形状的特征表达
  • 3.4.2.1 单个人体的表达模型创建
  • 3.4.2.2 多个人体相互粘连情况下的人体特征表达
  • 3.4.3 基于支持向量机的人体检测
  • 3.4.4 实验与分析
  • 3.5 基于亮度-梯度联合空间的红外人体跟踪
  • 3.5.1 基于梯度方向-亮度联合空间的人体建模
  • 3.5.2 粒子滤波框架下的红外人体跟踪
  • 3.5.2.1 粒子滤波概述
  • 3.5.2.2 梯度-亮度联合直方图与粒子滤波的融合
  • 3.5.3 实验与分析
  • 3.6 小结
  • 第四章 MEAN-SHIFT框架下的目标鲁棒跟踪
  • 4.1 引言
  • 4.2 基于自适应特征生成模型的Mean-Shift鲁棒跟踪
  • 4.2.1 基于信噪比最大化的特征生成模型
  • 4.2.1.1 似然图像在特征跟踪性能分析中地应用
  • 4.2.1.2 特征选择的标准
  • 4.2.2 算法的流程和实现
  • 4.2.3 实验与分析
  • 4.3 遮挡情况下Mean-Shift跟踪
  • 4.3.1 遮挡情况发生的判断准则
  • 4.3.2 基于Kalman滤波的目标运动参数辨识与状态估计
  • 4.3.3 Kalman-Mean-Shift跟踪系统
  • 4.3.4 实验
  • 4.4 小结
  • 第五章 自适应多线索融合对粒子滤波跟踪性能的提升
  • 5.1 引言
  • 5.2 多线索融合方法概述
  • 5.3 粒子滤波回顾
  • 5.4 状态转移模型与观测模型
  • 5.4.1 状态转移模型
  • 5.4.2 特征的选择及其观测模型的建立
  • 5.4.2.1 颜色特征的描述及其观测模型
  • 5.4.2.2 边缘梯度特征的描述及其观测模型
  • 5.5 基于相对鉴别系数的特征自适应融合
  • 5.6 实验与分析
  • 5.6.1 光照发生变化情况下的目标跟踪
  • 5.6.2 目标发生旋转情况下的目标跟踪
  • 5.6.3 目标发生遮挡情况下的跟踪
  • 5.6.4 红外序列图像中目标跟踪的结果
  • 5.7 小结
  • 第六章 基于周期运动分析的人体行为识别
  • 6.1 引言
  • 6.2 背景抽取
  • 6.3 基于运动轮廓的周期分析
  • 6.4 特征图像的参数化及识别的流程
  • 6.4.1 图像预处理
  • 6.4.2 参数化
  • 6.4.3 距离测量
  • 6.5 实验与分析
  • 6.6 小结
  • 结束语
  • 致谢
  • 参考文献
  • 附录
  • 相关论文文献

    标签:;  ;  ;  ;  ;  ;  ;  

    基于视频的目标检测、跟踪及其行为识别研究
    下载Doc文档

    猜你喜欢