复杂背景动态建模与粒子滤波跟踪方法

摘要

近些年来，随着各种恐怖袭击事件和民航安全事故接连不断的出现，社会对公共安全的需求比以往更加强烈，视频监控技术受到前所未有的关注。如何提高视频处理的智能化度、拓展其应用领域、提高系统的性能已经成为研究和应用领域的一个热点。复杂条件下的视频图像分析又是其中的一个突出方面，其处理结果的优劣直接影响到后续的视频理解。 本论文主要对视频监控相关的关键技术进行研究，研究内容涉及在复杂场景下的目标检测和目标跟踪两个方面。目标检测方面，首先介绍了目前运动目标检测领域常用的几类算法，并阐述了这些算法应用于不同场景时的优缺点。接着，本文对混合高斯背景建模方法展开了深入地研究。最后，本文针对混合高斯模型对光线变化较为敏感、模型冗余度过高等问题提出基于GVF-Snake模型的多约束混合高斯模型法，并通过实验结果证明了本文方法在复杂背景下的有效性。 目标跟踪方面，主要研究了基于颜色粒子滤波的多目标跟踪方法。首先，本文介绍了粒子滤波理论以及其实现方法，利用粒子滤波理论来解决目标跟踪问题，构建基于粒子滤波的跟踪框架。随后，针对基于颜色特征的粒子滤波方法存在的问题，提出了基于颜色和纹理信息融合的遗传粒子滤波方法，并通过实验仿真验证本文跟踪方法的有效性。最后，本文分析了目标常态与异态情况下跟踪的维持，并初探了目标的出现、消失、合并以及遮挡问题。在此基础上，引入了最近邻数据关联和信任度理论，并针对目标不同的异常情况进行实时的检测和处理。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题研究的背景和意义

1.2基于DirectShow与OpenCV的智能监控系统

1.2.1 DirectShow视频技术

1.2.2 OpenCV简介

1.2.3本课题的智能监控系统

1.3国内外研究现状

1.4当前存在的主要问题

1.5本文主要工作及内容安排

第二章运动目标检测算法

2.1引言

2.2视频图像预处理

2.2.1矢量滤波去噪

2.2.2光强变化分析

2.2.3光强变化检测

2.3运动目标检测技术概述

2.3.1基于时间差分法

2.3.2基于光流法

2.3.3基于背景减除法

2.3.4基于多特征融合的目标分割

2.3.5基于统计模型法

2.4几种常用算法的比较分析

2.4.1基于时间差分法(VSAM方法)

2.4.2基于多特征融合的目标分割方法(Spatio-Temporal Fusion)

2.4.3基于统计模型方法(Kalman、MOG)

2.5基于GVF-Snake模型的多约束混合高斯模型法

2.5.1丢帧和光强变化检测机制

2.5.2前景点的亮度与色度约束条件

2.5.3高斯模型的优化

2.5.4 GVF-Snake算法

2.6实验结果与分析

2.7结论

第三章多目标的跟踪与维持

3.1运动目标跟踪概述

3.2现有算法的回顾

3.2.1基于相关的跟踪方法

3.2.2基于变形模型的跟踪方法

3.2.3基于特征的跟踪方法

3.2.4基于3D模型、粒子滤波的跟踪方法

3.3基于粒子滤波(Particle Filter)的目标跟踪

3.3.1粒子滤波理论

3.3.2基于粒子滤波的多目标跟踪框架

3.3.3粒子滤波跟踪方法存在的问题

3.4基于颜色特征的粒子滤波方法

3.5基于颜色和纹理信息融合的遗传粒子滤波方法

3.5.1纹理特征提取

3.5.2颜色直方图与纹理LBP算子的融合

3.5.3基于遗传(Ggenetic Algorithm)算法的粒子繁衍

3.6两种粒子滤波跟踪算法的比对

3.7目标常态和异态下的跟踪维持

3.7.1目标异常情况分析

3.7.2基于最近邻关联法(NNDA)的目标空间位置关联

3.7.3基于信任度理论(Belief Theory)的目标正异常情况处理

3.7.4目标异常处理实验仿真

3.8本章小结

第四章总结与展望

致 谢

参考文献

攻读硕士期间发表论文