监控视频中的对象跟踪与速度估计

摘要

在智能监控领域，复杂背景下的人体跟踪是一项具有挑战性的工作。各种不利因素，如杂乱的背景、光照的改变以及遮挡，都极大影响人体跟踪的准确性和鲁棒性。本文提出在跟踪过程中主动学习对象在视野中不同区域的尺度分布，使用该约束条件提高跟踪系统的稳定性。对象尺度分布学习算法对监控视野内跟踪对象所处位置与其尺度之间的线性关系进行学习，并采用带权线性拟合方式求解模型参数。在模型训练过程中，通过背景剪除算法得到监控视频中不同位置对应的人体前景块大小。实验结果表明该方法比传统的Cam—Shift跟踪算法有更好的效果，使用视野尺度分布作为约束可以有效的提高跟踪算法的准确性和鲁棒性。
　　 在对象跟踪的研究基础之上，本文还提出了一种新的车速检测算法。不同于以往的车速检测算法，本算法无需在路上放置标定物，也不需要进行摄像头手工标定。基于特定的投影规则，得到了图像坐标与物理坐标间的一种特定的映射关系。并使用非线性回归的方法估计模型参数。该模型将监控摄像头拍摄到的视频序列中车辆的位置恢复到现实世界坐标系中，从而可以进行准确的车速检测。实验展示了该算法具有精确估计车辆速度的能力。

目录

文摘

英文文摘

论文说明：图表目录

声明

第1章绪论

1.1研究意义

1.1.1对象跟踪技术的应用

1.2行为分析技术的应用场景

1.3本文工作

1.4本文的组织结构

第2章运动对象的检测

2.1颜色空间

2.1.1颜色空间分类

2.1.2 RGB颜色空间和HSV颜色空间简介

2.1.3 RGB颜色空间转换到HSV颜色空间

2.2运动目标检测

2.2.1帧间差分法

2.2.2背景剪除法

2.2.3光流法

2.3背景模型

2.3.1单高斯模型背景建模

2.3.2混合高斯背景模型

2.3.3本文采用的背景模型

2.4阴影检测

2.5噪声去除

2.6本章小结

第3章基于尺度估计的Cam-Shift跟踪算法

3.1引言

3.2人体尺度分布估计

3.2.1投影模型

3.2.2特征提取

3.2.3带权线性拟合

3.2.4实现

3.3基于尺度估计的Cam—Shift跟踪算法

3.4实验

3.5讨论与总结

第4章使用非标定摄像头进行车速检测

4.1引言

4.2技术难点分析及其研究现状

4.2.1摄相机标定

4.2.2车辆跟踪

4.2.3车速估计系统

4.3车速检测系统框架

4.4相机标定

4.4.1投影模型

4.4.2参数估计

4.5车辆跟踪

4.6车辆车速估计

4.7实验结果

第5章总结与展望

5.1工作总结

5.2展望

参考文献

攻读硕士学位期间主要的研究成果

致谢