監(jiān)控視頻中的行人與車輛的在線跟蹤.pdf

1、在信息化的時代，視頻監(jiān)控得到了長足的發(fā)展，每天從監(jiān)控中產生的大量數據里面存在很多不必要的信息。這些不必要的信息占用了存儲資源。如何從這些視頻中提取出有用的信息，是現在智能監(jiān)控系統(tǒng)需要解決的重要問題。
　　多目標檢測和跟蹤技術是計算機視覺研究的重要問題。該技術利用計算機視覺相關技術以及機器學習、模式識別等技術，分析視頻數據并提取關鍵信息，從而實現對目標的檢測和跟蹤。
　　在線多目標跟蹤和物體檢測有著廣泛的應用場景，例如視頻監(jiān)控

2、、機器人以及危險行為分析等等，這些都需要實時獲得目標的位置。本文提出了一個基于自動檢測的多目標跟蹤方法，并搭建了相應的實用系統(tǒng)。將業(yè)界流行的ACF物體檢測算法和背景差分方法有機結合起來改進運動目標的檢測結果，并借鑒已有方法將目標跟蹤形式化為一個馬爾科夫決策過程，特別針對小物體、光流跟蹤不夠穩(wěn)定以及物體交錯情況下跟蹤容易失敗等問題做了相應的改進，顯著提高了多目標檢測和跟蹤的穩(wěn)定性。針對小物體，本文利用前背景差分算法檢測出前景區(qū)域，然后將較

3、小的區(qū)域認為是小物體，作為對ACF物體檢測的補充;針對光流點均勻采樣可能會造成背景區(qū)域的光流點對跟蹤造成干擾導致不穩(wěn)定的情況，本文提出采用基于前景分割的自適應采樣策略，利用前背景差分算法檢測出的前背景區(qū)域，增大處于前景區(qū)域的光流點的數目，減少背景區(qū)域的光流點數目來改進目標跟蹤的穩(wěn)定性;針對物體交錯時標識分配錯誤的問題，本文提出采用基于歷史運動信息的推測和目標面積異常檢測的方法對光流正確跟蹤的結果進一步篩選，并排除丟失狀態(tài)到跟蹤狀態(tài)的錯誤