学位论文 > 优秀研究生学位论文题录展示

智能视觉监控系统中的目标提取和跟踪算法

作　者: 田国栋
导　师: 门爱东
学　校: 北京邮电大学
专　业: 通信与信息系统
关键词: 智能视觉监控目标提取背景减除目标跟踪粒子滤波器
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 81次
引　用: 1次
阅　读: 论文下载

内容摘要

智能视觉监控是一项备受全球关注的新兴技术。由于城市人口的激增和城市规模的扩大,对智能视觉监控系统的需求也日益迫切。智能视觉监控能应用在公共安防、医疗看护、交通管理、顾客服务等许多场合。它涉及计算机视觉、图像和视频处理、模式识别和人工智能等多个领域的技术。智能视觉监控需要完成以下任务：运动目标物提取、目标分类、目标跟踪、目标物行为理解和身份识别等。本文专注于其中目标提取和目标跟踪这两个关键技术的研究。本文的主要工作包括：1.在目标提取方面,提出了一种改进的使用局部二元图(LBP)的基于纹理的算法。原始的基于纹理的算法本身是一种很好的背景减除算法。但是,它的分割结果中在目标物边缘附近存在较多的虚警,而且还存在对变化的背景适应缓慢的问题。为了解决第一个问题,本文提出用空间加权的LBP直方图作为特征并引入了阴影消除算法。为了解决第二个问题,本文将原算法中固定的学习率替换为对每个LBP直方图分别计算的自适应的学习率,另外维护多个模型以对付光照突变的情况。实验结果表明本文提出的算法成功地解决了这两个问题并几乎没有引入任何不利影响。2.对于目标跟踪,提出了一种可用于复杂场景的实时鲁棒的跟踪算法。该算法使用了颜色和形状两个特征联合表示目标物,并将它们融入粒子滤波器(PF)中。为了克服传统PF计算量大的问题,在PF的重要性采样步骤之后对每个粒子施加了均值位移(MS)操作以改变粒子的位置。这使粒子具有更大的似然值,能更有效地近似后验概率密度函数,因此所需的粒子数大大减少。但是,这个修改存在三个缺点：(1)MS所依赖的颜色特征可能失效,此时粒子可能被移动到更差的位置；(2)MS本身需要较大的计算量；(3)MS会降低粒子的多样性。为了克服这三个问题,MS的最大迭代次数被限制为与颜色特征可靠度成正比,该可靠度由民主算法计算得出。实验结果表明,和基于PF的传统算法相比,本文提出的算法用少得多的粒子获得了更好的跟踪性能。

全文目录

摘要  4-5
ABSTRACT  5-7
目录  7-9
第一章绪论  9-16
  1.1 研究背景及意义  9
  1.2 视频监控的发展  9-13
    1.2.1 传统视频监控系统  9-10
    1.2.2 智能视频监控系统  10-11
    1.2.3 智能视频监控应用前景  11-12
    1.2.4 智能视频监控研究现状  12-13
  1.3 本文研究内容与创新点  13-14
  1.4 本文内容安排  14-16
第二章智能视觉监控系统综述  16-23
  2.1 智能视觉监控系统结构  16
  2.2 智能视觉监控系统关键技术  16-21
    2.2.1 目标提取  16-17
    2.2.2 目标分类  17-20
    2.2.3 目标跟踪  20-21
    2.2.4 行为理解  21
  2.3 本章小结  21
  2.4 本章参考文献  21-23
第三章运动目标物提取  23-45
  3.1 运动目标物提取算法概述  23-25
    3.1.1 时域差分法(Temporal Difference)  23-24
    3.1.2 光流法(Optical Flow)  24
    3.1.3 背景减除法(Background Subtraction)  24-25
  3.2 已有的背景减除法  25-35
    3.2.1 增量式高斯平均(Running Gaussian Average)  26-27
    3.2.2 混合高斯模型(Mixture of Gaussians)  27-29
    3.2.3 核密度估计(Kernel Density Estimation)  29-30
    3.2.4 特征背景建模(Eigen-Background Modeling)  30-31
    3.2.5 基于纹理的背景减除法(Texture-Base Method)  31-35
  3.3 改进的基于纹理的背景减除法  35-43
    3.3.1 对分割精度的改进  35-39
    3.3.2 对背景适应能力的改进  39-40
    3.3.3 实验结果  40-43
  3.4 本章小结  43
  3.5 本章参考文献  43-45
第四章运动目标物跟踪  45-76
  4.1 目标跟踪算法概述  45-48
    4.1.1 目标物表示  45-47
    4.1.2 运动状态估计  47-48
  4.2 均值位移(Mean Shift)  48-51
  4.3 在线贝叶斯跟踪(Online Bayesian Tracking)  51-61
    4.3.1 基本原理  51-52
    4.3.2 卡尔曼滤波器(Kalman Filter)  52-55
    4.3.3 粒子滤波器(Particle Filter)  55-61
  4.4 使用多特征融合和改进的粒子滤波器的视觉跟踪  61-73
    4.4.1 运动模型  61-62
    4.4.2 观测模型  62-66
    4.4.3 改进的粒子滤波器  66-70
    4.4.4 实验结果  70-73
  4.5 本章小结  73
  4.6 本章参考文献  73-76
第五章总结与展望  76-78
  5.1 工作总结  76-77
  5.2 研究展望  77-78
致谢  78-79
作者攻读学位期间发表的学术论文目录  79

智能视觉监控系统中的目标提取和跟踪算法

内容摘要

全文目录

相似论文