视频目标跟踪算法研究及应用

论文摘要

智能视频监控是计算机视觉的重要研究领域,在公共安全、政府、金融及教育等方面具有广阔的应用前景。智能视频监控是在不需要人为干预的情况下,利用图像处理、机器学习和计算机视觉等领域的技术对视频进行分析,自动实现目标的检测、跟踪与识别,并在此基础上实现更高层的行为理解与描述。目标跟踪是智能视频监控中的关键技术,是目标识别和行为理解的基础,具有广泛的研究和应用价值。目前学术界和工业界在目标跟踪方面做了大量研究,提出了不少有价值的算法,其中Mean Shift以其简单、实用、实时等特点得到了广泛的使用。不过,该算法仍然存在不少问题,比如背景和目标相似、严重的局部遮挡等。本文在前人工作的基础上,为解决这些问题做出了如下贡献:1.针对Mean Shift存在的不足提出了一种快速有效的目标跟踪算法-MAP Spatial Pyramid Mean Shift。该算法能有效地把背景信息融合到Mean Shift跟踪框架内,并在跟踪过程中对目标进行动态分块,从而保留了一定的几何结构信息。实验证明该算法能够解决背景和目标相似以及严重的局部遮挡。2.研究了基于局部特征的目标跟踪算法。针对传统局部特征描述子SIFT复杂度高提出了一种新的局部特征描述子,并把它融合到MAP-SP Mean Shift算法中。该局部特征描述子结构简单。实验结果证明,在不影响实时性的情况下能有效地提高目标的跟踪效果。3.设计并完成了一个实验性的智能视频监控系统。该系统采用模块化设计,由目标检测、目标分析和目标跟踪三个基本模块组成,并在智能视频监控的常用视频序列和自采集的视频序列上进行了测试,取得了较好的实验结果,为以后研究工作的实验测试提供了平台。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 视频目标跟踪技术简介
• 1.2.1 视频目标跟踪技术的应用
• 1.2.2 视频目标跟踪技术的研究现状
• 1.3 主要工作及贡献
• 1.4 论文的组织结构
• 第二章 相关目标跟踪算法介绍
• 2.1 引言
• 2.2 MEAN SHIFT 算法
• 2.2.1 Mean Shift 的发展历史
• 2.2.2 基本的Mean Shift
• 2.2.3 扩展的Mean Shift
• 2.2.4 Mean Shift 的物理意义
• 2.2.5 Mean Shift 目标跟踪算法
• 2.3 基于局部特征的跟踪算法
• 2.3.1 局部特征的提取
• 2.3.2 局部特征子SIFT
• 2.4 本章小结
• 第三章 最大后验概率空间金字塔 MEAN SHIFT
• 3.1 引言
• 3.2 跟踪目标特征表达
• 3.3 最大后验概率空间金字塔MEAN SHIFT
• 3.3.1 基于背景模型的最大后验概率
• 3.3.2 基于空间金字塔的分块
• 3.3.3 一种新的局部特征描述子
• 3.4 实验结果及分析
• 第四章 基于 PTZ 摄像机的监控系统的设计和实现
• 4.1 运动检测
• 4.2 目标分析
• 4.3 目标跟踪
• 4.4 实验结果
• 4.5 本章小结
• 第五章 工作总结与展望
• 5.1 工作总结
• 5.2 未来工作展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文