复杂背景下的运动目标检测与跟踪

【摘要】：现代社会发展迅猛,一些对社会有危害性的事件的发生概率成上升趋势,然而采用单纯的“警力”难以遏制事件的发生,因此智能视频监控的重要性也越来越突出。智能视频监控涉及的方面有图像处理、计算机视觉、模式识别和人工智能等,是相当有挑战性的课题。智能视频监控是图像处理和计算机视觉领域中非常重要的研究方向,其核心思想是对复杂背景中的运动目标进行检测与跟踪,监控目标的活动情况,理解和描述目标的行为。本文首先根据问题发生根源、影响范围和持续时间长短三类对复杂背景进行划分,其次对复杂背景下的运动目标检测与跟踪进行了分析,最后围绕着复杂背景这条主线,从为解决光照突变、局部扰动、相似背景、局部遮挡等不同复杂背景下的运动目标检测与跟踪问题入手,开展运动目标检测与跟踪方面的研究。本文的主要研究工作和创新点如下：(1)本文针对光照突变和局部扰动对运动目标检测的影响,设计了一种基于CH特征(Contrast histogram)的运动目标检测算法。该算法采用CH特征表示像素,用高斯混合模型来构造CH特征的背景模型,首先初始化CH特征的背景模型,训练背景模型,最后提取前景。CH特征描述了相邻像素之间的共生关系,因此当整个图像块增加或减少相同的灰色值,CH特征对亮度信息变化不敏感,该方法在一定程度上减少了光照突变和局部扰动的影响。(2)本文针对局部扰动对高斯混合算法的影响,设计了一种基于Markov和高斯混合模型的运动目标检测算法。该算法首先构建Markov随机游走模型,使用BP算法求解权值,获得边缘特征,把该边缘特征作为图像的空间信息加入到传统高斯混合模型中,然后通过形态学运算进一步强化空间信息的相关性。该算法对局部扰动适应性较好。(3)本文针对光照突变和相似背景对Mean Shift跟踪算法的影响,设计了一种基于旋转不变LBP (local binary pattern)特征的Mean Shift跟踪算法。首先计算目标和候选目标的旋转不变LBP特征,然后通过在平面内寻找位置y,使目标与候选目标在旋转不变LBP特征空间内取得最小距离,即取得相似度最大值。通过计算偏移向量获取候选目标偏移后的新位置,将新位置作为初始位置继续进行迭代,构成一个循环跟踪框架。该算法增强了光照突变、相似背景下跟踪算法的鲁棒性。(4)本文针对局部遮挡对粒子滤波跟踪算法的影响,设计了一种抗遮挡自适应的粒子滤波跟踪算法。该算法采用矩形作为跟踪窗,在重采样阶段嵌入K均值聚类算法,完成粒子聚类,获得粒子子群,然后根据粒子子群估算最终状态,并且修正跟踪窗。当面积St(i)变化超过5%时,跟踪窗保持上一帧尺寸不变。否则跟踪窗随着运动目标尺度变化而变化,实现自适应。该算法提高了粒子的利用率,大幅度降低了复杂度,同时减轻了粒子滤波退化问题。该算法增强了局部遮挡和运动目标尺度变化时跟踪算法的鲁棒性。