智能監(jiān)控系統(tǒng)的發(fā)展使傳統(tǒng)的監(jiān)控設(shè)備有了更多的應(yīng)用場景,在智能監(jiān)控系統(tǒng)中,行人的檢測和跟蹤在交通流量統(tǒng)計、公共空間安防和數(shù)據(jù)挖掘分析等領(lǐng)域應(yīng)用廣泛。作為后續(xù)分析和統(tǒng)計工作的基礎(chǔ),提高行人檢測和跟蹤部分的準確率尤為重要。但是,在監(jiān)控視頻中,復(fù)雜的檢測和跟蹤環(huán)境對算法提出了較高的要求。目標的尺度變化、形態(tài)變化、背景的顏色干擾、光線變化等因素降低了行人檢測和跟蹤方法的準確率。因此,本文總結(jié)和分析了監(jiān)控視頻下的行人檢測和跟蹤方法,并分別在行人檢測和行人跟蹤部分提出了相關(guān)的改進算法,具體工作如下:1.分別研究和比較了監(jiān)控視頻場景下的行人檢測和跟蹤方法,分析了各算法應(yīng)用于監(jiān)控視頻場景中的優(yōu)缺點。針對行人跟蹤方法,在多個數(shù)據(jù)集上驗證了各算法的跟蹤效果,并從特征融合、算法理論融合和自適應(yīng)粒子濾波三個方面研究了改進的粒子濾波跟蹤算法。2.針對經(jīng)典ViBe(Visual Background extractor,ViBe)算法在第一幀中有行人目標時存在的“鬼影”問題,提出一種新的改進算法—MViBe算法。通過幀差法獲取行人具體位置并通過多幀圖像重新構(gòu)建背景模型,實驗結(jié)果顯示MViBe算法不僅實時性較高,而且可以有效地消除經(jīng)典ViBe算法中出現(xiàn)的“鬼影”,算法的準確率、召回率和綜合評價指標分別至少提高了 22%、6.6%和15.8%。3.提出一種融合顏色特征和紋理特征的自適應(yīng)粒子濾波跟蹤算法GCPF(GLCM-Color PF,GCPF)。分別通過彩色直方圖和灰度共生矩陣描述行人的顏色特征和紋理特征,通過灰度共生矩陣的對比度參數(shù)自適應(yīng)調(diào)整兩種特征的權(quán)重。實驗結(jié)果顯示,在復(fù)雜環(huán)境下,GCPF算法有效提高了行人和背景顏色相似情況下跟蹤的成功率,提升了光照變化條件下行人跟蹤的準確率。綜上,本文在行人檢測部分提出了一種改進的行人檢測算法—MViBe算法,并在行人跟蹤部分提出了一種融合顏色特征和紋理特征的自適應(yīng)粒子濾波跟蹤算法—GCPF算法。在多組監(jiān)控視頻數(shù)據(jù)集中對所提出的算法進行驗證,實驗結(jié)果表明,本文提出的MViBe算法可以有效去除經(jīng)典ViBe算法中存在的“鬼影”,GCPF算法可以顯著提高復(fù)雜場景下跟蹤的準確率和成功率。
【學(xué)位單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TN713
【部分圖文】：

Ｂ??圖２－１?Ｃｏｄｅｂｏｏｋ圓柱體模型＿??Ｆｉｇｕｒｅ?２－１?Ｔｈｅ?ｃｙｌｉｎｄｅｒ?ｍｏｄｅｌ?ｏｆ?ｃｏｄｅｂｏｏｋ＾??的背景像素值分布在圓柱體的內(nèi)部，而所有柱體的表面即為判別邊界，通過下式進行判ｂｒｉｇｈｔｎｅｓｓ?（／，?＜Ｉｉ，Ｉｊ＞）＝ＶＲ２＋Ｇ２＋Ｂ２?Ｅ＜Ｉｌ〇ｗ，Ｉｈｉｇｈ＞ｄ?＝?ｃｏｌｏｒｄｉｓｔ（Ｘ，，?Ｆ，）?＜?ｅＩｉ〇ｗ＝ａＩｊＩｈｉ＝ｍｉｎ｛０１ｈ?＾?｝。?以??，＜Ｘｌ，Ｖｉ＞２??８?＝?ｃｏｌｏｒｈｉｓｔ?＝?ＩＩＸＩＩ???５—ｉ?ｍｉ２??＼＼Ｘ，＼＼２＝Ｒ２＋Ｇ２＋Ｂ２

?ｈ）?ｉ）??圖２－５ｈｉｇｈｗａｙＩ＿ｒａｗ序列第４、２４、５２幀“鬼影”抑制對比圖：ａ）ｄ）ｇ）為原圖ｂ）ｅ）ｈ）為經(jīng)??典ＶｉＢｅ算法檢測圖ｃ）ｆ）ｉ）為ＭＶｉＢｅ算法檢測圖??Ｆｉｇｕｒｅ?２－５?Ｔｈｅ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｔｈｅ?ｕｇｈｏｓｔ？，?ｓｕｐｐｒｅｓｓｉｏｎ?ｏｆ?ｔｈｅ?４ｔｈ，?２４ｔｈ?ａｎｄ?５２ｎｄ?ｆｒａｍｅｓ?ｏｆ?ｔｈｅ??ｈｉｇｈｗａｙ１＿ｒａｗ?ｓｅｑｕｅｎｃｅ：?ａ）?ｄ）?ｇ）?ｉｓ?ｔｈｅ?ｏｒｉｇｉｎａｌ?ｉｍａｇｅ?ｂ）?ｅ）?ｈ）?ｉｓ?ｔｈｅ?ｄｅｔｅｃｔｉｏｎ?ｒｅｓｕｌｔ?ｏｆ?ｔｈｅ?ｃｌａｓｓｉｃ??ＶｉＢｅ?ａｌｇｏｒｉｔｈｍ?ｃ）?ｆ）?ｉ）?ｉｓ?ｔｈｅ?ｄｅｔｅｃｔｉｏｎ?ｒｅｓｕｌｔ?ｏｆ?ｔｈｅ?ＭＶｉＢｅ?ａｌｇｏｒｉｔｈｍ??兩種算法的三種評價指標如下：??表２－２?ｈｉｇｈｗａｙｌ＿ｒａｗ序列兩種算法各指標評價???Ｔａｂｌｅ?２－２?ｈｉｇｈｗａｙ！?ｒａｗ?ｓｅｑｕｅｎｃｅ?ｔｗｏ?ａｌｇｏｒｉｔｈｍｓ?ｅｖａｌｕａｔｉｏｎ?ｏｆ?ｅａｃｈ?ｉｎｄｅｘ????ＰＲ（％）?ＲＥ（％）?ＦＭ（％）??ＶｉＢｅ?算法?０．５２９?０．６１３?０．５６２??本文算法?０．６４９?０．６５３?０．６５１???Ｍ?２２Ｊ?６＾?１５．８??在ｈｉｇｈｗａｙｌｌ＿ｒａｗ序列中，本文算法的改進效果更為明顯，從第五楨可以看出，??ＶｉＢｅ算法右側(cè)由于“鬼影”原因顯示出四輛汽車，但實際原圖中可以得知只有兩??輛

圖３－丨Ｍｅａｎｓｈｉｆｔ迭代示意圖??Ｆｉｇｕｒｅ?３－１?Ｍｅａｎｓｈｉｆｔ?Ｉｔｅｒａｔｉｏｎ?Ｄｉａｇｒａｍ??似性函數(shù)最大值，可得Ｍｅａｎｓｈｉｆｔ向量：??Ｈｉ＝＼ＸｉＣ〇ｉｇ｛?）??ｍ，ｌＧ（ｙ）?＝?ｙｒｙ〇＝?：?—－ｙ〇咐（年｜｜?）??ｇ（ｘ）＝－Ｋ?（Ｘ）％表示＿）Ｖｆ立置鄰域內(nèi)最優(yōu)的目標位置，經(jīng)過反復(fù)迭代得到最ｉｆｔ目標跟蹤算法的優(yōu)勢在于，首先，算法計算量小，在整其他參數(shù)，沒有對概率密度分布進行估計，因此可以一直沿大值，具有實時性高的優(yōu)點；其次，由于采用加權(quán)直方圖模形變、部分遮擋和背景運動不敏感。但是在跟蹤過程中無法
【參考文獻】

相關(guān)期刊論文 前9條

1 金志剛;衛(wèi)津津;羅詠梅;劉曉輝;;基于改進的顏色和SURF特征的粒子濾波目標跟蹤[J];計算機工程與應(yīng)用;2015年22期

2 楊欣;劉加;周鵬宇;周大可;;基于多特征融合的粒子濾波自適應(yīng)目標跟蹤算法[J];吉林大學(xué)學(xué)報(工學(xué)版);2015年02期

3 彭宏;韓露莎;王輝;傅鐘;;基于小波變換與多幀平均法融合的背景提取[J];浙江工業(yè)大學(xué)學(xué)報;2013年02期

4 陳志敏;薄煜明;吳盤龍;段文勇;劉正凡;;基于自適應(yīng)粒子群優(yōu)化的新型粒子濾波在目標跟蹤中的應(yīng)用[J];控制與決策;2013年02期

5 鄭紅;李釗;李俊;;灰度共生矩陣的快速實現(xiàn)和優(yōu)化方法研究[J];儀器儀表學(xué)報;2012年11期

6 霍東海;楊丹;張小洪;洪明堅;;一種基于主成分分析的Codebook背景建模算法[J];自動化學(xué)報;2012年04期

7 吳剛;唐振民;楊靜宇;;融合典型紋理特征的粒子濾波目標跟蹤方法[J];計算機工程與應(yīng)用;2011年34期

8 徐成;田崢;李仁發(fā);;一種基于改進碼本模型的快速運動檢測算法[J];計算機研究與發(fā)展;2010年12期

9 方正;佟國峰;徐心和;;粒子群優(yōu)化粒子濾波方法[J];控制與決策;2007年03期

相關(guān)博士學(xué)位論文 前1條

1 張俊根;粒子濾波及其在目標跟蹤中的應(yīng)用研究[D];西安電子科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前7條

1 張磊;智能監(jiān)控中運動目標檢測與跟蹤算法的研究[D];太原理工大學(xué);2018年

2 肖丹;復(fù)雜背景下視頻運動目標檢測與跟蹤[D];西南科技大學(xué);2018年

3 白平平;智能視頻監(jiān)控中行人的檢測與跟蹤方法研究[D];北京交通大學(xué);2017年

4 張業(yè)亮;視頻監(jiān)控中的運動目標跟蹤與識別研究[D];電子科技大學(xué);2017年

5 辛寧;改進Codebook模型和粒子濾波的運動目標異常行為檢測研究[D];重慶郵電大學(xué);2016年

6 趙棟梁;改進快速粒子濾波算法的多目標檢測與跟蹤系統(tǒng)設(shè)計[D];重慶郵電大學(xué);2016年

7 鄒依峰;智能視頻監(jiān)控中的行人檢測與跟蹤方法研究[D];中國科學(xué)技術(shù)大學(xué);2011年

本文編號：2862048