智能视频监控系统中的行人运动分析研究

【摘要】：智能视频监控是计算机视觉领域的一个前沿研究方向，它综合利用图像处理、模式识别、人工智能等技术对监控系统采集到的视频图像序列进行处理和分析，智能化地理解视频内容并做出处理，被广泛应用于交通管理、安全监控、医疗诊断及人机交互相关的多种客户服务之中。近十年来，由于国际安全形势出现了新的局面，利用智能视频监控系统，从视频图像序列中检测、跟踪行人并分析人和人群行为的工作正成为学术研究中的热点。 视频监控的场景经常是复杂多样且动态变化的，人在运动时会发生多种姿态和状态上的改变，在运动过程中还会有摄像机的运动和人体尺寸随着距离远近的缩放，这些都给运动目标分割、行人识别和跟踪带了很多挑战。因此研究适用于复杂动态场景的运动目标分割算法，快速准确分类行人目标的方法，准确跟踪行人的技术以及检测人群异常事件的办法，具有深刻的理论意义和广泛的实用价值。 本文在深入理解计算机视觉相关原理和当前研究成果的基础上，分析提炼了行人运动分析的流程，提出了运动目标分割、行人分类识别、行人目标跟踪和人群异常事件检测的几种算法，主要的创新点包括： 1)针对传统的目标分割方法所建立的单层背景模型难以全面适应监控视频图像中的多种动态背景变化的问题，提出了一种双层背景建模的运动目标分割算法。分别建立了像素亮度的码本模型，区域纹理的中心对称局部二值模式直方图模型，维护双层模型并进行运动目标的分割。该算法能较好处理背景干扰、光照变化和训练图片中背景与前景混乱干扰的复杂情况，而且处理速度能够达到实时性的要求。 2)提出了一种改进的梯度方向直方图(Histogram of Oriented Gradients,HOG)行人分类算法。采用先进行运动分割，再对分割出的运动区域进行分类的行人检测策略，大幅度缩减了传统人体检测算法进行滑动窗口搜索带来的庞大计算量；使用基于积分图计算的特征提取算法，加速了HOG算法的处理速度。本算法可成功应用于复杂背景的行人分类识别，在保持原HOG算法检测准确率的前提下，提高了检测的速度。 3)提出了一种融合HOG检测的粒子滤波行人跟踪方法。通过颜色直方图建立动态观测模型，在粒子滤波框架下利用HOG行人检测实现采样修正。这种算法在动态背景下实现了对行人目标的跟踪，且跟踪误差小于传统粒子滤波算法；对于传统跟踪方法不能顺利处理的摄像机运动且目标尺寸随距离远近发生变化的情况也能进行跟踪。 4)提出了一种基于群特征高斯混合建模的人群异常事件检测方法。提取人群图像特征点，建立人群特征混合高斯模型并自适应更新，通过当前特征参数与模型分布的匹配来检测异常事件。该算法避免了对人群中个体目标的分割、跟踪，模型的训练简单快速，能有效检测人群中的逃散、速度突变等异常现象，在相对低的误报率下拥有较高的检测准确率，且处理速度比较快。 5)最后本文将研究的流程和算法综合应用于一个社会治安用智能视频监控系统中，设计了软硬件结构，实现了其中的行人检测和运动分析软件。 本论文受到了安徽省科技攻关项目（09010306042）的支持。