本文關鍵詞：視頻監(jiān)控目標的跟蹤與識別研究，由筆耕文化傳播整理發(fā)布。

【摘要】：視頻監(jiān)控系統(tǒng)利用計算機視覺和圖像處理技術對攝像頭采集的視頻圖像進行目標的檢測、跟蹤以及識別等，為監(jiān)控者提供關鍵信息，是實現“智慧城市”、“平安城市”的重要手段。近年來，學者們對視頻監(jiān)控系統(tǒng)中的視頻分析算法進行了大量的研究，并取得了一些成果，對視頻監(jiān)控系統(tǒng)的應用與推廣起到了促進作用。但是，由于存在監(jiān)控環(huán)境和監(jiān)控目標動態(tài)變化（如光照變化、攝像機運動、目標姿態(tài)尺度變化等）的問題，設計實時魯棒性的視頻分析算法仍然是該研究領域的一個熱點和難點。本文針對視頻監(jiān)控系統(tǒng)中的核心技術，包括：光照變化的預處理、目標檢測與跟蹤、目標識別等，進行了系統(tǒng)深入的研究，取得的創(chuàng)新性成果如下： （1）針對復雜場景中光照變化對目標跟蹤與識別的影響，提出一種基于局部特征與全局特征聯合的目標光照變化自適應抑制算法（Local-to-Global AdaptiveSupressing of Illumination，LGA）。傳統(tǒng)的用于抑制光照變化的圖像增強算法分為兩種：基于局部特征的增強算法和基于全局特征的增強算法，兩者往往是孤立存在的。基于局部特征的增強算法處理非均勻光照效果好，但是運算復雜，處理后圖像灰度動態(tài)范圍被壓縮，對灰度級的利用率較差；基于全局特征的增強算法計算簡單，對灰度動態(tài)范圍的拉伸效果明顯，能夠較充分地利用圖像灰度級，但是忽略了圖像細節(jié)，容易丟失圖像紋理、邊緣等有利于跟蹤和識別的特征。本章提出的LGA算法將基于局部特征和基于全局特征的圖像增強方法融合，能夠發(fā)揮兩者的優(yōu)勢。算法首先對基于空間變換亮度映射（space-variant luminance map，SVLM）的局部對比度增強算法進行改進，，利用全局特征構建自適應的伽馬校正系數查找表，提高了SVLM算法的計算效率，實現了圖像的局部光照變化抑制；然后利用區(qū)域相似性直方圖自適應獲取直方圖平滑系數，有效提高灰度級的利用率的同時控制增強程度，防止過度增強，實現了全局增強。實驗表明，該算法既能保證對光照變化的抑制效果，又能夠保證圖像增強的實時性，滿足視頻圖像光照處理系統(tǒng)的要求。 （2）針對視頻跟蹤中目標姿態(tài)變化導致跟蹤漂移的問題，提出一種基于在線極端學習機與粒子濾波級聯的實時目標跟蹤算法�；诜诸惖哪繕烁櫵惴▽⒏檰栴}轉化為分類問題，在目標和背景樣本充足的情況下能夠適應目標姿態(tài)變化，并抑制模板漂移。本文提出的基于在線極端學習機與粒子濾波級聯的實時目標跟蹤模型具有以下優(yōu)勢：首先極端學習機輸入層網絡參數隨機分配，輸出層網絡參數只需通過最小二乘算法獲得，無需通過復雜的迭代算法求解，訓練速度快，能夠滿足跟蹤系統(tǒng)實時性的要求；其次在線極端學習機能夠將訓練樣本成個或成批添加進網絡，無需重新訓練，對目標姿態(tài)的變化具有很好的適應性，能夠提高目標分類的精度，獲得更加可靠的置信度，進而實現目標跟蹤精度的提升；再次在目標定位階段，利用粒子濾波算法產生有限數目的候選樣本可提高計算效率，并且通過計算分類結果的后驗概率進一步降低了分類誤差對定位精度的影響。實驗結果表明，本文算法在計算效率和跟蹤性能上優(yōu)于目前較為先進的跟蹤算法，是一種有效的實時跟蹤算法。 （3）為了獲得穩(wěn)定的跟蹤效果，針對在線極端學習機與粒子濾波級聯的算法無法判別目標丟失以及無法適應目標尺度的變化的問題，提出一種基于視覺字典的在線極端學習機目標檢測和跟蹤算法。算法將視覺字典作為檢測器，將在線極端學習機與粒子濾波級聯算法作為跟蹤器，利用互反饋技術提高跟蹤性能。跟蹤器主要實現目標跟蹤，同時為視覺字典的構建和更新提供樣本；檢測器主要實現目標丟失判別和目標丟失后重新檢測。為了提高目標丟失判別的準確性，提高抗局部遮擋的能力，在目標檢測器中提出一種局部隨機抽樣的直方圖相似性度量技術，采用局部劃分思想和Noisy-NR模型計算候選樣本與訓練樣本特征直方圖的相似性，減少了傳統(tǒng)直方圖匹配因受目標局部遮擋影響造成的誤判。為了適應目標的尺度變化，在目標未丟失時，利用Ransac算法獲得目標的尺度變換系數并在新尺度下更新跟蹤器。實驗結果表明，該算法能夠適應目標的尺度變化，檢測目標丟失，提高跟蹤穩(wěn)定性。 （4）為了獲得具有光照、姿態(tài)、尺度不變性的視頻人臉識別系統(tǒng)，首先將前三個創(chuàng)新點應用于視頻人臉識別系統(tǒng)中，提取具有光照不變性的多姿態(tài)多尺度人臉圖像；然后將圖像進行尺度歸一化，并針對人臉的運動模糊，提出基于雙高斯模型的模糊檢測技術，用于剔除模糊人臉，提高人臉識別率；最后，針對人臉姿態(tài)變化導致識別率下降的問題，提出基于圖像集與概率外觀流形的視頻人臉識別算法。該算法利用概率外觀流形算法獲得測試集中所有人臉姿態(tài)的準確劃分，形成測試集的姿態(tài)流形，計算這些姿態(tài)流形與訓練集中對應的姿態(tài)流形之間的流形距離，選擇距離最小的類別作為測試集的目標類別。算法的優(yōu)勢在于：利用概率外觀流形進行姿態(tài)標定能夠充分利用圖像之間的時域關系；利用圖像集而非單一圖像計算測試集與訓練集的流形距離能夠適應較大的姿態(tài)變化。實驗結果表明，本算法優(yōu)于其他視頻人臉識別算法。
【關鍵詞】：視頻監(jiān)控系統(tǒng) 圖像增強 目標跟蹤 目標識別 極端學習機 概率外觀流形
【學位授予單位】：北京理工大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41;TN948.6
【目錄】：

• 摘要5-7
• Abstract7-10
• 目錄10-13
• 圖序13-15
• 表序15-16
• 第1章 緒論16-30
• 1.1 研究背景與意義16-17
• 1.2 視頻監(jiān)控的目標跟蹤與識別框架研究17-18
• 1.3 國內外研究現狀18-25
• 1.3.1 視頻監(jiān)控系統(tǒng)的研究現狀18-20
• 1.3.2 主要視頻監(jiān)控算法的研究現狀20-25
• 1.4 存在的關鍵問題25-26
• 1.5 論文主要研究工作及創(chuàng)新性成果26-28
• 1.6 論文的章節(jié)內容安排28-30
• 第2章 局部特征與全局特征聯合的光照變化自適應抑制30-52
• 2.1 引言30-32
• 2.2 LGA 算法概述32-33
• 2.3 結合全局特征的局部對比度增強33-39
• 2.3.1 SVLM 局部對比度增強原理34-36
• 2.3.2 對 SVLM 算法的改進36
• 2.3.3 基于全局特征的 SVLM 算法伽馬系數自適應校正36-39
• 2.4 結合局部特征的全局增強39-44
• 2.4.1 直方圖修正與平滑40-42
• 2.4.2 區(qū)域相似性直方圖平滑42-44
• 2.5 實驗結果分析44-50
• 2.5.1 視頻圖像增強的客觀標準評價45-48
• 2.5.2 復雜光照下人臉檢測與識別應用評價48-50
• 2.6 本章小結50-52
• 第3章 在線極端學習機與粒子濾波級聯的實時目標跟蹤52-72
• 3.1 引言52-54
• 3.2 OSELM-PFT 算法涉及的基本理論54-58
• 3.2.1 標準 ELM 原理54-55
• 3.2.2 在線 ELM 原理55-56
• 3.2.3 傳統(tǒng)粒子濾波算法原理56-58
• 3.3 OSELM-PFT 算法概述58-60
• 3.4 OSELM-PFT 算法設計60-63
• 3.4.1 OSELM-PFT 算法的分類器設計60-62
• 3.4.2 OSELM-PFT 目標定位算法設計62-63
• 3.5 實驗結果與分析63-70
• 3.5.1 抗目標姿態(tài)變化跟蹤64-66
• 3.5.2 抗目標遮擋跟蹤66-67
• 3.5.3 快速運動目標的跟蹤67-69
• 3.5.4 計算效率分析69-70
• 3.6 本章小結70-72
• 第4章 基于視覺字典的在線 ELM 目標檢測和跟蹤72-84
• 4.1 引言72-73
• 4.2 BW-OSELM-PFT 算法概述73-74
• 4.3 BW-OSELM-PFT 目標檢測和跟蹤74-79
• 4.3.1 視覺字典的構建74-76
• 4.3.2 基于視覺字典的目標丟失判別76-77
• 4.3.3 基于 Ransac 的尺度與旋轉系數計算77-78
• 4.3.4 視覺字典的更新78-79
• 4.4 實驗結果分析79-83
• 4.4.1 目標丟失判別79-80
• 4.4.2 目標尺度變化80-81
• 4.4.3 抗遮擋性能81-82
• 4.4.4 計算復雜度分析82-83
• 4.5 本章小結83-84
• 第5章 具有光照、姿態(tài)和尺度不變特性的視頻人臉識別84-102
• 5.1 引言84-86
• 5.2 本章視頻人臉識別算法概述86-88
• 5.3 基于概率外觀流形的人臉識別算法88-92
• 5.3.1 概率外觀流形88-91
• 5.3.2 學習流形和轉移概率91
• 5.3.3 PAM 視頻人臉識別過程91-92
• 5.4 基于圖像集與概率外觀流形的視頻人臉識別方法92-97
• 5.4.1 模糊圖像判別和去除92-93
• 5.4.2 流形姿態(tài)變化標定93-94
• 5.4.3 流形相似性度量94-97
• 5.5 實驗結果分析97-99
• 5.5.1 Honda/UCSD 數據庫實驗結果分析98-99
• 5.5.2 網絡數據庫實驗結果分析99
• 5.6 本章小結99-102
• 第6章 總結與展望102-106
• 6.1 論文工作總結102-104
• 6.2 研究工作展望104-106
• 參考文獻106-120
• 攻讀博士學位期間發(fā)表學術論文與研究成果120-122
• 致謝122-124
• 作者簡介124

【參考文獻】

中國期刊全文數據庫 前10條

1 彭國福;林正浩;;圖像處理中GAMMA校正的研究和實現[J];電子工程師;2006年02期

2 潘吉彥;胡波;張建秋;;抑制模板漂移的目標跟蹤算法[J];電子學報;2009年03期

3 汪榮貴;朱靜;楊萬挺;方帥;張新彤;;基于照度分割的局部多尺度Retinex算法[J];電子學報;2010年05期

4 王睿;方勇;;一種圖像局部模糊檢測方法及其在被動圖像認證中的應用[J];高技術通訊;2009年07期

5 侯晴宇;張偉;武春風;逯力紅;;改進的均值移位紅外目標跟蹤[J];光學精密工程;2010年03期

6 盧世軍;;生物特征識別技術發(fā)展與應用綜述[J];計算機安全;2013年01期

7 夏楠;邱天爽;李景春;李書芳;;一種卡爾曼濾波與粒子濾波相結合的非線性濾波算法[J];電子學報;2013年01期

8 孫景樂;唐林波;趙保軍;劉晴;;基于瑞利分布的粒子濾波跟蹤算法[J];電子與信息學報;2013年04期

9 朱瑞奇;齊乃新;張勝修;曹立佳;;一種基于粒子濾波的改進紅外目標跟蹤算法[J];四川兵工學報;2014年03期

10 劉汝杰,袁保宗,唐曉芳;一種新的基于聚類的多分類器融合算法[J];計算機研究與發(fā)展;2001年10期

中國博士學位論文全文數據庫 前1條

1 姜明新;智能視頻監(jiān)控中的目標跟蹤技術研究[D];大連理工大學;2013年

  本文關鍵詞：視頻監(jiān)控目標的跟蹤與識別研究，由筆耕文化傳播整理發(fā)布。

本文編號：357659