視頻目標分類、跟蹤及行為分析研究.pdf

1、基于視頻的各種監(jiān)控系統(tǒng)目前越來越多地被應用于智能交通、安全監(jiān)控等領域，對視頻監(jiān)控系統(tǒng)的智能化研究方興未艾。本文對實現(xiàn)視頻監(jiān)控系統(tǒng)智能化的若干核心技術，重點包括基于視覺的目標分類、跟蹤算法以及目標行為分析算法和視覺注意機制等進行了研究探索，并在對上述核心技術的研究、創(chuàng)新及實踐的基礎上，設計了一種具有一定通用性的，基于多監(jiān)控區(qū)域的智能視頻監(jiān)控系統(tǒng)。
　　基于視頻目標跟蹤處理流程順序，論文首先對視頻圖像的處理技術，包括圖像的特征提取、目

2、標分類等進行了研究。對于視頻目標的特征提取技術，提出了基于彩色信息的ICM圖像簽名，以及基于輪廓旋轉截取曲線(SRIC)的圖像目標特征，進而實現(xiàn)了更具區(qū)分性的基于ICM結合SRIC的圖像簽名，達到了優(yōu)勢互補。對于視頻目標的分類技術，提出了一種基于SVM的非預知類別多類分類算法，借鑒了顏色表示體系中的知識。實驗結果及分析驗證了提出方法的有效性。
　　為了對視頻圖像中的多個目標進行實時分割及跟蹤，在介紹了tMHI方法及其不足之后，提出

3、了適合戶外復雜環(huán)境的isMHI方法，以及基于isMHI的多運動目標跟蹤算法。該算法利用isMHI的灰度階梯輪廓，對存在的子運動區(qū)域進行包圍劃分并予以標記，實現(xiàn)視頻圖像中運動目標的實時分割，進而將每幀isMHI圖像中各個運動區(qū)域同場景中運動目標連續(xù)關聯(lián)起來，實現(xiàn)對多運動目標的軌跡跟蹤。為能同時跟蹤進入視頻場景后靜止下來的目標，進一步提出了isMHI結合CamShift的多目標跟蹤算法，當目標處于運動狀態(tài)時，基于isMHI對其進行跟蹤，而當

4、某些目標轉為靜止狀態(tài)時，則基于CamShift對其進行監(jiān)視鎖定，從而實現(xiàn)對進入視頻場景中運動或靜止目標的持續(xù)跟蹤，以及目標全局行動軌跡的獲取。實驗表明，上述方法可以有效地分割并跟蹤視頻中的多個目標，魯棒性好，檢出率較高，并且處理速度較快，達到了實時性的要求。
　　在利用運動跟蹤結果實現(xiàn)進一步智能處理的研究中，提出一種基于HMM、對目標運動行為進行統(tǒng)計分析及識別的方法。以道路交通視頻目標為例，將被跟蹤視頻目標的軌跡序列作為輸入，并針

5、對實際應用目標確定HMM的概率分布模型，分別求解HMM的估值問題、解碼問題以及學習問題，可實現(xiàn)目標的行為識別、行為概率統(tǒng)計等任務。最后，為進一步提高視覺系統(tǒng)的智能化水平，引入視覺注意機制，提出了基于行為概率的目標注意模型，該模型屬于任務驅動的高級注意模式，通過判別視頻目標出現(xiàn)特定行為的可能性概率，生成當前的目標顯著圖，以對顯著度大的目標采取相應處理措施。實驗結果驗證了使用該方法解決上述問題的有效性。
　　作為所提出諸多算法的實踐應

6、用，論文最后設計了一個基于多監(jiān)控區(qū)域，對多視頻場景內容進行智能監(jiān)控分析的通用系統(tǒng)方案。首先提出并實現(xiàn)了一個視頻數(shù)碼結合抓拍子系統(tǒng)，該子系統(tǒng)基于普遍的設備條件，將工業(yè)攝像機的實時性和數(shù)碼相機的高成像性能相結合，通過網絡及嵌入式計算機控制系統(tǒng)，實現(xiàn)對目標的高清晰度抓拍，從而使獲取目標更精確的特征數(shù)據成為可能。另外，還對系統(tǒng)的目標連續(xù)跟蹤、目標行為分析、目標特征提取、目標分類識別、視覺注意機制等主要功能模塊進行了介紹，這些模塊分別基于論文中提