视频监控系统中运动目标检测与跟踪方法的改进及实现

由于近年来公共安全形势的日益严峻,并随着摄像机等相关硬件的性价比不断提高,作为安防领域中核心的技术之一,智能视频监控得到了广泛应用。利用计算机视觉、模式识别、机器学习、数据挖掘等学科的技术对视频数据进行智能处理,智能视频监控的目标是检测出监控场景中存在的感兴趣目标和行为,进而实现目标和行为的分类识别、高效存储和检索。其研究内容从低到高可以进行如下划分：图像预处理、场景背景建模、运动目标检测、运动目标跟踪、目标识别和分类、以及行为理解和分析等。其中,运动目标检测与跟踪是两个核心的研究内容。虽然历经多年的研究和发展,但视频监控中的运动目标检测与跟踪技术仍远未成熟。特别是监控场景中存在的下列问题给其研究带来了巨大的挑战：复杂动态背景、运动目标表观、姿态、尺度的变化,以及目标自遮挡和相互遮挡。本文针对这些问题进行了相应研究,包括基于马尔可夫链和图像分割的运动目标检测,以及融合粒子滤波和显著性检测的运动目标跟踪等。本文主要工作如下： 1.从场景理解、背景建模、前景检测、背景模型更新等方面出发,对运动目标检测展开研究,提出了一种基于马尔可夫链和图像分割的运动目标检测方法。针对目标检测中存在的复杂动态背景干扰的问题,该方法借鉴蛙眼视觉系统的近视特性,提出一种对场景的区域模糊化理解机制,有效抑制了复杂动态背景的运动干扰。通过分析图像邻域像素间在时空域上存在的关联性,构建了基于时空图模型的背景模型。结合时空图模型与马尔可夫链模型实现前景的粗糙检测,进而利用图像分割方法实现前景的精细分割,通过这种层次化处理有效提高了前景检测的精度。在前景检测为基础上,分析影响背景模型更新准确性的因素,给出了一种基于随机选择和动态亚采样的模型更新方法,对场景中一些周期性或伪周期性的背景运动进行有效模拟。实验表明本文方法能够提高运动目标检测的精度和鲁棒性。 2.从目标状态估计、视觉显著性注意、以及两者融合等方面出发,对运动目标跟踪展开研究,提出了融合粒子滤波和显著性检测的运动目标跟踪方法。针对目标跟踪中存在的跟踪漂移和目标遮挡的问题,该方法在粒子滤波跟踪框架下,将人的视觉注意机制引入到目标跟踪中,利用视觉显著性检测来引导目标跟踪和目标表观模型的在线更新,同时对目标周围的背景区域进行估计。通过视觉显著性检测为目标表观模型的更新提供了监督信息,该方法能够有效缓解目标表观变化引起的跟踪漂移。同时,通过视觉显著性检测对目标周围的背景区域进行估计,该方法具有一定的遮挡处理能力。实验表明本文方法能够提高运动目标跟踪的精度和鲁棒性。