室内监控中移动检测与跟踪算法的改进与实现

摘要

基于智能视频监控的移动目标检测、识别与跟踪是计算机视觉领域研究的热点，在现代室内安全防护系统中有着越来越多的应用，使用这些技术，我们可以快速获取监控区域中感兴趣的前景目标、识别前景目标，并对前景目标跟踪形成跟踪轨迹，为后续目标的行为分析与理解打下良好的基础。
　　本文以室内监控环境为研究场景，以单目标人体为研究对象，并将单目标人体的检测、识别以及跟踪作为本文研究的主要内容，旨在通过对比分析现有的移动目标检测与跟踪算法，改进现有算法的某些不足，避免监控过程中常见的干扰，以提升室内智能监控系统的鲁棒性。本文的主要工作如下:
　　首先，在移动目标检测阶段，针对背景减差算法对光线变化比较敏感的缺点，本文提出了基于GMM算法的背景减差算法，利用GMM算法良好的稳定性以及对光线缓慢变化不敏感的特点，为静态背景图像建立背景模型。另外，针对GMM算法对光照突变适应性差的缺陷，则通过定义前景目标所占的面积比率以及光线突变持续的帧数来检测室内光线是否发生突变。实验表明，改进的移动目标检测算法不仅可以完整检测出前景目标，而且对于传统的背景减差算法光线缓慢变化以及突变情况引起的检测误差也可以很好地解决，从而大大提升了移动目标检测的准确率以及查全率。
　　其次，在人体目标识别阶段，针对室内监控环境下，不同前景目标的分类问题，本文提出基于HOG特征的SVM分类器算法对前景目标进行分类，通过借助公共数据集INRIA提供的正负样本进行分类器训练。最后通过仿真实验验证了该分类算法具有较高的准确率。
　　最后，在单目标人体跟踪阶段，针对传统Camshift移动目标跟踪算法抗遮挡性差以及目标尺度变化过大敏感性的缺点，本文提出了一种改进的Camshift目标跟踪算法。采用对目标分块跟踪的方式来处理目标遮挡的问题，并通过定义目标匹配率来判断目标不同程度的遮挡。另外，针对目标尺度变化过大引入的跟踪误差，本文通过将目标的几何特征和目标的颜色特征结合起来，以更充分地描述目标，提高目标的识别率。实验表明，改进的移动目标跟踪算法在保证系统实时性的前提下，对于传统的Camshift跟踪算法抗遮挡性差以及尺度变化过大带来的跟踪误差都能很好地解决，提高了移动目标跟踪阶段的鲁棒性。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 移动目标检测国内外研究现状

1．2．2 移动目标识别国内外研究现状

1．2．3 移动目标跟踪国内外研究现状

1．3 论文研究内容

1．4 论文结构

第二章 移动目标检测算法的改进与实现

2．1 读取基于HiMPP媒体软件的视频流

2．2 移动目标检测算法分析

2．2．1 光流算法

2．2．2 帧间差分算法

2．2．3 背景减差法

2．3 目标检测算法比较

2．4 背景建模算法

2．4．1 单高斯背景建模

2．4．2 混合高斯背景建模

2．5 改进的移动目标检测算法设计实现

2．5．1 背景模型更新机制

2．5．2 目标检测算法参数设定

2．5．3 目标检测算法流程

2．6 实验结果分析

2．7 本章小结

第三章 人体目标识别算法的研究与实现

3．1．1 尺度不变特征

3．1．2 SURF特征

3．1．3 HOG特征

3．2 人体特征描述算子比较

3．3 分类器介绍

3．3．1 支持向量机分类器

3．3．2 Adaboost分类器

3．4 分类器算法比较

3．5 基于HOG特征的SVM分类器算法设计

3．5．1 HOG特征提取

3．5．2 SVM分类器训练

3．5．3 实验仿真结果分析

3．6 本章小结

第四章 移动目标跟踪算法的改进与实现

4．1 移动目标跟踪算法思想概述

4．1．1 基于目标特征的跟踪算法思想

4．1．2 基于目标区域的跟踪算法思想

4．1．3 基于主动轮廓的目标跟踪算法思想

4．1．4 基于模型的目标跟踪算法思想

4．2 移动目标跟踪算法分析

4．2．1 基于卡尔曼滤波的移动目标跟踪算法

4．2．2 基于粒子滤波的移动目标跟踪算法

4．2．3 基于Camshift的移动目标跟踪算法

4．3 改进的Camshift移动目标跟踪算法

4．3．1 目标分块跟踪的实现

4．3．2 几何关系直方图的建立与匹配

4．3．3 改进的目标模板更新方式

4．4 实验结果分析

4．5 本章小结

第五章 总结与展望

5．1 论文总结

5．2 未来工作展望

致谢

参考文献