基于视频图像的运动目标检测与跟踪算法研究

论文摘要

视频监控系统以其直观、方便、信息内容丰富而成为现代安防系统发展的主流,被广泛应用于国防建设、交通管制、智能保安等需要实时监控的场所。现有的大多数视频监控系统仍依赖于监控人员的现场操作,造成了人力资源的浪费,也影响了整个工作系统的效率。因此,研究智能视频监控系统中的关键技术并提高智能视频监控系统的性能具有重要的意义。运动目标检测与跟踪是视频监控系统中一个重要组成部分,对计算机视觉的其他研究领域有着重要的推动作用。因此如何实现对运动目标实时、稳定和有效地检测与跟踪,是一个需要关注和研究的重要问题。本文在目前该领域研究成果的基础上,系统研究了智能视频监控中人体目标的检测,分割和跟踪方面的理论和方法。在运动目标检测算法中,详细介绍了几种常用的目标前景检测方法,并对它们的检测性能进行了评价。在运动人体目标的定位与分割方面,以人体的头部研究为出发点,针对人体头部运动信息的轮廓近似圆形的特征,结合Freeman链码和RANSAC算法,进行多圆检测来实现多目标头部的定位,进而较快地确定人体目标的准确位置。在目标跟踪算法中,针对目前Mean Shift跟踪算法存在的问题,本文提出了采用目标的颜色信息、纹理信息和运动信息的改进Kalman和Mean Shift跟踪算法,跟踪效果得到较大改进。针对单个目标运动时姿势的显著变化,本文在机器学习理论知识的基础上,提出了一种基于RGB直方图特征、LBP直方图特征和PPBTF直方图特征的半监督学习对单目标进行跟踪的方法,使跟踪效果更具鲁棒性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 视频监控相关研究
• 1.2.1 国内外研究现状
• 1.2.2 主要任务
• 1.2.3 技术难点
• 1.2.4 应用现状与发展趋势
• 1.3 本文的主要工作与章节安排
• 1.3.1 本文的主要工作
• 1.3.2 论文章节安排
• 2 运动目标检测技术研究
• 2.1 引言
• 2.2 静态背景下的运动目标检测
• 2.2.1 基于背景建模的方法
• 2.2.2 基于光流场的方法
• 2.2.3 基于时间差分的方法
• 2.3 常用检测方法及其性能分析
• 2.3.1 相邻帧间差方法
• 2.3.2 基于梯度的前景检测法
• 2.3.3 基于帧间二阶差分的前景检测法
• 2.3.4 实验结果与分析
• 2.4 小结
• 3 多人体目标定位和分割
• 3.1 引言
• 3.2 利用 Freeman链码提取轮廓
• 3.3 RANSAC算法
• 3.3.1 RANSAC基本思想
• 3.3.2 RANSAC算法步骤
• 3.3.3 估计圆参数的RANSAC算法步骤
• 3.4 本文基于Freeman链码和RANSAC的圆检测算法
• 3.5 实验结果与分析
• 3.5.1 检测结果
• 3.5.2 实验分析
• 3.6 小结
• 4 Kalman滤波器和Mean Shift相关理论及其在跟踪中的应用
• 4.1 引言
• 4.2 纹理特征
• 4.2.1 基本局部二进制模式
• 4.2.2 扩展局部二进制模模式
• 4.3 Kalman滤波器
• 4.3.1 Kalman滤波器建模
• 4.3.2 Kalman滤波器各参数设置
• 4.4 Mean Shift理论及其在跟踪中的应用
• 4.4.1 Mean Shift搜索法
• 4.4.2 Mean Shift算法的搜索过程
• 4.4.3 Mean Shift算法在跟踪中的应用
• 4.5 融合色彩、纹理和运动信息的跟踪算法
• 4.6 实验结果与分析
• 4.6.1 跟踪结果
• 4.6.2 跟踪性能分析
• 4.7 小结
• 5 Tri-tracking跟踪算法
• 5.1 引言
• 5.2 机器学习
• 5.2.1 半监督学习
• 5.2.2 协同训练算法
• 5.3 Tri-tracking跟踪算法
• 5.3.1 PPBTF直方图特征
• 5.3.2 支持向量机（SVM）
• 5.3.3 Tri-tracking跟踪算法
• 5.4 实验结果与分析
• 5.4.1 实验结果
• 5.4.2 实验性能分析
• 5.5 小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢