智能视频监控系统中运动目标的检测和跟踪算法的研究

论文摘要

当今社会,计算机科学、多媒体通信、网络传输以及图像处理技术飞速发展,伴随多种高新技术衍生的视频监控技术也取得了长足的进步。视频监控是安防系统的重要组成部分,凡是能涉及到安全问题的场所几乎无处不在。智能视频监控系统主要是指在无需人为干预的情况下,自动实现对监控场景中的对象进行检测、分割、跟踪、分类及更高层次上的行为分析,以便达到“实时监控,及时反应”的目的。本课题主要对视频中运动目标的检测和跟踪技术展开研究。针对如何进一步提高监控视频中运动对象的检测问题,本文采用一种基于支持向量机的运动对象分割的方法。为进一步提高支持向量机分割的准确度,我们根据支持向量机核函数的有关性质进行了核函数的重构,并与常用的核函数进行了对比实验,结果显示当核函数为径向基函数与高斯核函数叠加时分割的精确度更高,并且在核函数为径向基核函数与高斯核函数叠加的基础上,我们将该算法与帧差法和背景减除法进行比较,实验表明该算法对视频中运动对象的进入、渐缓和离开都具有较好的有效性和鲁棒性,不受场景中的光照变化和运动对象运动快慢变化的影响,检测到的运动对象没有明显的不连通性,分割效果较好,而且没有大多数算法中阈值选择的困难。关于视频中运动对象的跟踪问题,本文利用Camshift算法与Kalman滤波器相结合的算法。当目标是快速运动的对象时,Camshift算法非常容易跟踪不到目标在图像帧中的准确位置,最终导致跟踪失败；而Kalman滤波器可以从目标的任意帧图像中提取信息并开始跟踪,它也可以利用目标运动的先前信息来预测当前帧中目标可能出现的位置。仿真实验也证明将Kalman滤波器融入到Camshift算法中进行目标跟踪确实能迅速、顺利地搜索到目标在当前帧中的具体位置,即通过将Camshift算法与Kalman滤波器相结合可以将已知信息的应用最大化,而且能够达到更好的跟踪效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 智能监控视频分析技术的选题背景
• 1.2 智能监控视频分析技术的研究意义
• 1.3 智能监控视频分析技术的国内外研究现状
• 1.4 本课题的主要研究内容和章节安排
• 第二章 视频监控系统和数字图像处理的相关知识
• 2.1 视频监控系统的发展和智能视频监控技术
• 2.1.1 视频监控系统的发展
• 2.1.2 智能视频监控技术的定义
• 2.2 支持向量机的基本原理
• 2.3 图像的颜色空间
• 2.3.1 RGB颜色空间
• 2.3.2 HSV颜色空间
• 2.3.3 OPENCV中RGB、HSV以及GRAY之间的相互转换
• 2.4 图像的二值化
• 2.5 特征提取
• 2.5.1 颜色特征
• 2.5.2 纹理特征
• 2.5.3 形状特征
• 2.5.4 空间位置特征
• 第三章 监控视频中运动目标的检测分割
• 3.1 图像分割方法的提出
• 3.2 静止图像分割方法
• 3.2.1 基于数学形态学的分割算法
• 3.2.2 基于特征空间聚类的算法
• 3.2.3 基于小波变换的分割技术
• 3.2.4 利用神经网络的分割技术
• 3.3 运动图像分割算法
• 3.3.1 基于运动图像本身特征的分割方法
• 3.3.2 基于人工参与程度的分割方法
• 3.4 新的图像分割方法
• 3.4.1 支持向量机（SVM）算法
• 3.4.2 贝叶斯（Bayesian）决策理论
• 3.4.3 遗传算法
• 3.4.4 基于模糊集理论的分割方法
• 3.4.5 神经网络算法、小波理论
• 3.5 本课题用到的基于SVM的运动对象分割方法
• 3.5.1 训练样本和训练特征的选择
• 3.5.2 训练和测试数据的建立
• 3.6 仿真实验及结果分析
• 3.6.1 不同核函数下分割性能比较
• 3.6.2 基于不同方法的运动对象分割
• 3.6.3 实验总结
• 第四章 监控视频中运动目标的跟踪算法
• 4.1 运动对象跟踪的综述
• 4.1.1 目标跟踪的提出
• 4.1.2 跟踪方法的分类
• 4.1.3 特征选择
• 4.1.4 搜索算法
• 4.2 均值平移（Meanshift）算法
• 4.2.1 目标模型的描述
• 4.2.2 候选模型的描述
• 4.2.3 相似性函数
• 4.2.4 目标定位
• 4.2.5 Meanshift算法流程
• 4.3 Camshift算法
• 4.3.1 Camshift算法颜色特征提取
• 4.3.2 Camshift算法的搜索过程
• 4.3.3 Camshift算法的步骤
• 4.3.4 性能分析
• 4.4 Kalman滤波器算法
• 4.4.1 Kalman滤波器原理
• 4.4.2 Kalman滤波器的跟踪过程
• 4.5 本课题的跟踪方法
• 4.5.1 基于Kalman滤波器的Camshift目标跟踪算法
• 4.5.2 仿真实验及结果分析
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 后记
• 攻读硕士学位期间论文发表及科研情况