智能视频监控中的运动目标检测和跟踪算法研究

智能视频监控就是利用计算机视觉和数字图像处理的方法,在不需要人为干预的情况下,对摄像机拍摄的图像序列进行自动分析,实现对动态场景中运动目标的检测、跟踪和识别,并在此基础上分析和判断目标的行为,给出对运动目标行为和动作的描述,自动发现一些可疑情况,实现系统对场景中的异常进行鉴别并自动报警,从而指导和规划人们的行动。 目前,智能视频监控方面的研究和应用都面临着很多难题,国内外的许多学者投身于该领域的研究,取得了大量的成果。本文在这些成果的基础上,对智能视频监控系统中的关键步骤——运动目标检测与跟踪进行了研究。主要的工作概括如下： (1)针对运动目标检测和跟踪算法中的应用,改进了LBP (Local Binary Pattern)算子。LBP是一种强大的纹理描述算子,论文经过对LBP的二进制位串的01跳变情况进行统计,合并了出现概率较低的模式,使得LBP纹理的种类得到极大地削减,使后续使用LBP纹理的运动目标检测与跟踪算法在特征匹配时的速度得到提高。 (2)提出了一种结合改进的LBP纹理和色度信息的运动目标检测算法。运用LBP纹理和色度这两种特征对阴影都不敏感的特性,论文用LBP纹理和色度信息对背景进行描述,然后把该背景描述应用到高斯混合模型中,提出了一种新的运动目标检测方法,该方法能较好的抵御阴影及背景光照变化的影响； (3)提出了一种结合光流法与三帧差分法的运动目标检测算法。由于计算光流的算法复杂,论文简化了光流的计算：选择图像中少数具有某些特征的像素点,只对这部分像素点计算光流信息,有效地减少了复杂度。但是,由于只选取了部分代表性像素,检测得到的运动目标区域不太完整,于是论文引入了三帧差分法作为简化光流法的补充,在不增加太多计算量的情况下,得到了相对完整的运动目标轮廓。 (4)提出了联合LBP纹理和色度信息的Camshift跟踪算法。由于传统的Camshift算法是基于色彩直方图的目标跟踪,当目标和背景颜色相近或干扰目标和被跟踪目标颜色相近时,或者运动目标存在阴影时,跟踪的正确性受到很大的影响。论文采用LBP纹理和色度信息相结合描述运动物体,两种特征都对阴影不敏感,能克服阴影对跟踪结果的影响。另外,对于纹理缺乏区域,LBP纹理性能不好,但是色度往往能取得较好效果；而对运动目标和背景颜色相同的区域,而LBP纹理往往又能取得一定的效果。 (5)提出了基于Kalman滤波器和Blob匹配法的目标跟踪算法。Blob匹配法利用目标的外形特征去匹配候选目标,该方法在运动物体数目较多时,每个Blob都要与其它的各物体相匹配,速度会变慢,且不适用于对非刚性物体的跟踪,同时在目标遮挡时也难于继续跟踪到目标。而Kalman滤波器可以根据目标先前的运动信息去预测下一帧中目标的位置,和Blob匹配法结合后,能在Blob搜索时只需在预测到的位置附近做Blob匹配,减少了计算量。 论文得到了云南省应用基础研究计划项目“智能视频坚控中的运动目标检测与跟踪技术研究”(编号：2011FB019)的支持。