智能视频监控中的行人流量自动统计技术的研究

摘要

随着现代社会对安全要求的日益迫切，越来越多的摄像头分布在街头巷尾，如何快速的从海量的监控视频数据中提取有用的信息，对监控现场突发事件做出科学决策和集中处理，引起计算机视觉研究者们的浓厚兴趣。于是智能视频监控系统应运而生，这是一种利用图像序列中运动目标的行为特征对其表现的行为进行识别与分析的技术，它可以赋予计算机类似于人一样的观察和理解动态场景的视觉能力。行人流量自动统计技术是当今世界智能视频监控研究中一个十分活跃的领域，可以被用于公共安全监控、交通管理、商业决策等领域，具有深刻的理论价值和广泛的应用前景。智能视频监控中行人流量自动统计技术研究内容主要涉及到运动行人目标的检测、识别、跟踪以及运动轨迹分析与理解等方面的内容，本文的主要工作如下：
　　 1)本文选用混合高斯方法对背景建模，分析并给出了混合高斯方法中关键变量的选择策略，在此基础上对传统的混合高斯方法作出一定的改进，使其能够根据背景的复杂情况动态调整高斯分布个数，在保证检测效果的前提下大大地提高了计算效率、降低了所需的内存空间。
　　 2)提出一种基于场景模型和统计学习的行人检测算法。针对训练行人检测器时面临的动态场景的复杂性和行人样本多样性的问题，先通过混合高斯建模建立背景图像，然后从建立的背景图像中提取有限的负样本用于训练，使分类器满足在线训练和更新的要求。根据正样本的加权错误率选择弱分类器，能够快速提高检测率，在训练结束后调整最终分类器的加权系数，在保证检测率的同时能够尽可能的降低虚警率。
　　 3)针对Camshift算法在目标互相遮挡时易发生跟踪丢失的缺陷，采用引入Kalman预测和Camshift匹配搜索算法完成跟踪任务。利用Kalman滤波器来获得每帧Camshift算法的起始位置，然后再利用Camshift算法搜索预测位置领域内与目标模板最匹配的目标，利用最匹配的结果作为Kalman的观测值来更新Kalman滤波的状态。当目标出现大比例的遮挡情况时，利用目标位置的Kalman预测替代Camshift算法搜索作用。实验证明本算法可以有效地克服遮挡问题，并且能够达到实时的要求。
　　 4)基于上述算法构建了行人流量统计系统，初步实验结果验证了本文提出的相关技术方法，同时给出目前本课题研究中存在的不足，对下一步要研究的主要问题作了一些展望。

目录

文摘

英文文摘

声明

第1章绪论

1.1课题研究的背景及意义

1.2研究现状综述

1.2.1视频监控系统发展现状

1.2.2运动目标检测算法发展现状

1.2.3运动目标跟踪算法发展现状

1.2.4行人流量自动统计研究现状

1.3本文的主要工作

第2章自适应混合高斯模型背景建模算法研究

2.1运动目标检测算法

2.1.1光流法检测运动目标

2.1.2帧间差分法

2.1.3背景差分法

2.2背景建模和混合高斯算法研究

2.2.1混合高斯建模基本原理

2.2.2混合高斯建模方法关键变量的分析和选择

2.3改进的高斯混合模型

2.3.1混合高斯成分个数自适应选择策略

2.3.2实验结果与分析

2.4本章小结

第3章基于场景模型和统计学习的行人检测

3.1引言

3.2基于场景模型和统计分类的行人检测算法整体流程

3.2.1特征的选择

3.2.2机器学习算法的选择

3.3算法实现与结果分析

3.4本章小结

第4章基于Camshift和Kalman滤波的行人跟踪算法

4.1序言

4.2 Kalman预测与Camshift目标匹配搜索算法

4.2.1 Camshift跟踪算法基本原理

4.2.2基于Kalman滤波的运动目标状态估计

4.2.3目标遮挡的判断和处理

4.3实验结果与分析

4.4本章小结

第5章轨迹分析与行人计数

5.1序言

5.2轨迹预处理

5.3目标计数

5.4实验结果与分析

5.5本章小结

第6章结论与展望

6.1全文总结

6.2展望

参考文献

作者在攻读硕士学位期间发表的学术论文

致 谢