智能视觉监控中多运动目标检测与跟踪方法研究

摘要

安全防范领域中己广泛采用视觉传感器监控场景,但大多数系统仍停留在半人工式的模拟监控,迫切需要研制智能化的视觉监控系统,而多运动目标检测、跟踪是智能视觉监控的基础性问题,同时也是关键性的难点问题。本论文主要研究了智能视觉监控系统中多运动目标检测与跟踪方法,首先提出了复杂场景中的目标检测方法,然后针对不同跟踪需求,分析提出了多种目标跟踪方法,最后介绍了自主开发的智能网络视觉监控系统。全文主要工作包括如下几个方面。
　　 论文首先介绍了智能视觉监控的研究背景及意义,并对智能视觉监控系统的构成进行了深入分析,系统详细地阐述了智能视觉监控系统及关键技术的国内外研究现状,并以此为基础,分析了智能视觉监控处理中的难点问题,及阐述本论文的研究意义。
　　 目标检测是智能视觉监控的基础,目标检测的准确性直接影响后续跟踪处理,而复杂场景中存在的大量动态变化对目标检测造成极大干扰,因此,论文第二章在分析了常用的参数化、非参数化背景模型的基础上,将复杂场景中的目标检测问题转化为图像像素标记问题,提出了一种非参数目标检测方法:基于MAP—MRF框架的蚁群优化目标检测方法。首先通过混合核密度估计法估计场景的条件概率分布,在马尔可夫随机场(MRF)中得到像素标记的先验概率,并据此推导出后验能量函数,即建立了MAP-MRF框架,采用蚁群算法优化后验能量函数,从而得到像素标记结果,实现了非阈值化、上下文关联的目标检测,在视频序列上的实验结果表明该方法鲁棒性高,能较好地适应场景中的复杂动态变化,准确、有效地检测运动目标。
　　 在检测出目标区域后,可在目标区域提取特征进行目标跟踪。监控场景中的多运动目标往往具有不同外观特征,基于外观模型跟踪多目标是一种常用的跟踪方法,但如何建立有效的外观模型是难点问题。论文第三章分析了目标模型中常用的颜色、运动特征,并结合人体的身体部分间的空间结构特征,提出利用属性关系图建立人体外观模型;为在连续帧间匹配目标,根据推导计算的属性关系图外观模型的相似度,建立匹配矩阵,分析了四种不同的匹配情况下的跟踪策略,如判定多人体相互遮挡,则通过概率松弛法优化匹配遮挡人体的身体部分及上一帧的跟踪标记,从而实现遮挡情况下的多人体跟踪。通过比较该方法与其他典型的外观跟踪方法在多个视频序列上的跟踪结果、性能指标,验证了该方法跟踪不同人体外观的有效性、准确性。
　　 传统的基于目标检测——目标特征的跟踪方法依赖于目标检测结果的准确性,而常用的目标检测方法,即便采用形态学滤波等方法对检测结果进行后处理,仍无法做到完全检测出完整的目标,常常存在目标“碎片”或“空洞”,影响后续跟踪的准确性、有效性。论文第四章在前景目标检测结果存在目标“碎片”和“空洞”的情况下,提出了一种优化碎片标记的多运动目标跟踪方法。首先将上一帧跟踪目标划分成“目标碎片”,并赋予跟踪标记,再将当前帧前景区域也划分成具有特征一致性的“前景碎片”,在当前帧将目标碎片的跟踪标记随机分配给前景碎片,则多目标跟踪问题转化为前景碎片的标记优化问题;建立前景碎片的属性关系图及与其标记相同的上一帧目标碎片的属性关系图,采用概率松弛法分析得到前景碎片标记优化的目标函数,并通过遗传算法优化,给前景碎片分配最优的跟踪标记,即可通过前景碎片的跟踪标记进一步分割出完整目标区域的同时完成了目标识别、跟踪。在室内外监控视频序列上实验结果表明,该方法能在前景检测结果存在“碎片”、“空洞”的情况下,准确、有效地跟踪多运动目标。
　　 在监控范围大,运动目标外观特征少或者外观相似的情况下,数据关联是跟踪能否实现的关键问题。论文第五章仅采用目标运动特征,提出一种改进联合概率数据关联的多目标快速跟踪方法,采用简化murty算法求联合概率数据关联(JPDA)的最优K个联合事件,能大大降低计算复杂度,避免在目标较多时的关联匹配呈指数增加,讨论了在目标新出现、消失、遮挡、分离(包括前景检测不准确造成的碎片)等复杂情况下当前帧量测与跟踪目标的数据关联、目标状态估计,从而有效实现了多目标复杂运动的快速跟踪。在标准数据库上的实验证明,该方法能在大范围复杂场景中有效跟踪多个外观相似且外观区域小的目标,跟踪精度比传统JPDA方法大大提高,并能实现实时快速跟踪。
　　 论文第六章介绍了本课题组自主开发的智能化网络视觉监控系统及其软、硬件构成和基本功能,通过实际系统的开发,为本论文的算法研究提供了思路,并为算法的实际应用提供了实验平台。
　　 论文最后总结了全文的主要工作和创新性的研究成果,并对下一步研究工作进行了展望。