视频监控中基于ICP算法的多目标跟踪技术研究与实现

摘要

随着经济社会的不断发展，越来越多的监控设备被广泛应用在安全监视领域，对智能监控系统的需求也越来越大。智能监控系统基于计算机视觉技术主要实现对监控场景中的目标进行识别和跟踪。有的智能监控系统还能实现更高级功能，例如对目标行为的分析理解，对异常行为的预警报警。智能监控也将会随着智能家居设备的推广而走进千家万户，走进任何需要智能安保的场所。然而，受算法和计算机性能的限制，设计一种稳定的鲁棒性强的监控跟踪系统依然是该领域的一个难点和热点。针对监控跟踪系统中的难点，例如，目标检测、目标跟踪、光照变化、目标形变等，本文进行了一系列研究，研究内容如下：
　　1.针对目标识别中背景干扰问题，本文设计了一种基于背景差法和ICP算法的目标识别方法。该方法充分利用监控视频单一背景的特点，先从视频图像中提取出监控区域的背景，然后使用背景图像与当前图像做差值。差值图像被转换为点云数据后，通过ICP算法匹配预制的目标模板可以实现目标识别与定位。
　　2.使用基于Kalman滤波的方法实现对目标进行跟踪。利用Kalman滤波能够预测目标位置的优点，本文设计了一个多目标跟踪器。跟踪器通过Kalman滤波预测目标在下一帧图像中的位置，在这个位置周边一定区域检测并识别目标。检测到目标后再对Kalman预测的目标位置进行更新。这样就实现了对多目标既精确又快速地进行跟踪。
　　3.系统通过匹配多模板的方式识别形态不一的多目标和目标的形态变化。系统充分考虑监控区域目标的多样性，制作多种目标的模板。同时，系统也会兼顾目标在监控中的形态变化，制作各个目标各种形态的模板。通过多模板的匹配实现多目标跟踪功能。
　　4.系统设计了有效的方法处理难点问题。通过定时或者手动启动的方式，系统会自动提取背景，更新背景。同时本文设计了简单有效的方法解决目标遮挡和目标出入等问题。
　　本文重点研究的是视频监控中多目标的跟踪问题，主要的创新之处是:利用传统的ICP算法匹配目标模板匹配和处理后的视频数据，实现目标识别和定位。设计了Kalman滤波的跟踪方法，实现对多目标的精确跟踪。同时本文设计的自动提取和更新背景、多模板匹配、解决遮挡和目标出入的方法都具有一定的创新性。本文的创新性还表现在将理论研究转换成鲁棒性很强的跟踪系统。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．3 主要研究内容和章节安排

1．3．1 主要研究内容

1．3．2 章节安排

第2章 基于ICP算法的目标识别

2．1 点云

2．1．1 点云定义

2．1．2 点云操作

2．2 经典ICP算法

2．2．1 经典ICP算法简介

2．2．2 经典ICP算法步骤

2．3 改进ICP算法

2．3．1 针对初始匹配值的改进方法

2．3．2 点云重采样改进方法

2．3．3 最近点选取改进方法

2．3．4 剔除错误对应点改进方法

2．3．5 求解坐标变换关系方法

2．3．6 PLICP算法研究及实验

2．4 数据存储结构

2．4．1 k-d tree数据结构

2．4．2 Oetree数据结构

2．5 基于ICP的目标识别方法

2．5．1 假设和说明

2．5．2 算法设计

2．5．3 实验结果

2．6 本章小结

第3章 视频监控跟踪算法研究

3．1 监控跟踪技术

3．1．1 目标检测

3．1．2 目标跟踪

3．2 背景差法

3．3 基于Kalman滤波的跟踪研究

3．3．1 Kalman滤波介绍

3．3．2 Kalman滤波原理

3．4 基于Kalman滤波的跟踪算法设计及实验

3．4．1 跟踪算法设计

3．4．2 实验结果

3．5 本章小结

第4章 视频监控中多目标跟踪系统整体方案设计

4．1 系统功能描述

4．2 预制模板

4．2．1 背景提取算法

4．2．2 模板提取

4．3 数据准备

4．3．1 视频图像预处理

4．3．2 视频图像转点云数据

4．4 跟踪方案设计

4．4．1 目标识别

4．4．2 目标跟踪

4．4．3 建立新跟踪

4．4．4 目标遮挡

4．5 本章小节

第5章 视频监控中多目标跟踪系统搭建及实验

5．1 系统简介

5．1．1 系统功能简介

5．1．2 系统平台简介

5．2 模板提取程序

5．3 多目标跟踪系统搭建

5．4 实验结果

5．5 本章总结

第6章 总结与展望

6．1 本文总结

6．2 前景展望

参考文献

致谢

硕士期间发表的论文和科研成果

硕士期间参加的科研工作