群體目標(biāo)動態(tài)分析研究.pdf

1、群體目標(biāo)動態(tài)分析是計算機(jī)視覺和數(shù)字圖像處理領(lǐng)域的前沿課題，屬于運動目標(biāo)分析范疇。該課題針對各種不同運動群體進(jìn)行背景消除、運動流分割、群體密度估計、群體跟蹤和群體行為理解等研究。群體動態(tài)分析技術(shù)的應(yīng)用十分廣闊，包括智能監(jiān)控、安全檢查和海洋生物檢測等等?，F(xiàn)在，該技術(shù)已經(jīng)在某些方面給人類的生活研究帶來便利，隨著該技術(shù)的發(fā)展，其必將更加深遠(yuǎn)的造福人類。因此群體動態(tài)分析的研究具有很高的科學(xué)價值和深遠(yuǎn)的實際意義。
　　 目前運動目標(biāo)分析領(lǐng)域

2、中，對單個或多個運動目標(biāo)的檢測分析已達(dá)到較高水平，包括目標(biāo)檢測、跟蹤、識別和行為理解等技術(shù)，無論從理論還是實際應(yīng)用都已成熟。而群體運動目標(biāo)分析研究中存在許多難以解決的問題，限制了該課題的發(fā)展。群體運動，相對于單個或多個目標(biāo)運動，具有運動環(huán)境復(fù)雜、目標(biāo)數(shù)量眾多、運動快慢不一、目標(biāo)之間存在遮擋等特點，給課題研究帶來很大困難。因此，國內(nèi)外學(xué)者們對此課題的研究較少，上世紀(jì)末才有人涉足該課題研究，最近幾年才出現(xiàn)一些階段性研究成果。
　　

3、本文在群體目標(biāo)動態(tài)分析研究中，提出以下創(chuàng)新點：
　　 (1)提出全局光流和高斯背景建模融合的背景消除算法，以獲取理想的前景。精確的前景提取是提高群體動態(tài)分析準(zhǔn)確率的前提。全局光流法和混合高斯模型是群體前景檢測效果較好的兩種方法，但仍不能很好地去除背景噪聲。在此基礎(chǔ)上，本文提出對此兩種方法并行處理，根據(jù)其噪聲位置和形狀的不同，通過融合光流法和高斯建模法的閾值化前景，消除了幾乎全部背景干擾。與現(xiàn)有算法相比，該融合算法準(zhǔn)確率明顯提高。

4、
　　 (2)提出光流場角度聚類算法，以實現(xiàn)前景運動流分割。運動流分割是群體動態(tài)分析研究中非常新的技術(shù)，研究規(guī)則運動群體中不同運動流的分割。由于全局光流場包含所有運動像素的速度和方向，因此通過對光流場角度的分割，能夠區(qū)分群體前景中不同方向的運動流。本文提出對前景光流場角度聚類的方法，可分割雙向、三向、U形和環(huán)形等不同類型的運動群體。相比現(xiàn)有的流體力學(xué)分割和譜聚類分割，本算法的準(zhǔn)確率更高。
　　 (3)本文提出一種塊吸收算

5、法，以消除運動流分割后出現(xiàn)的雜質(zhì)塊。運動流分割中以不同顏色表示不同類別，而雜質(zhì)塊是某種顏色區(qū)域中的異色像素塊。利用該特性，通過自適應(yīng)改變雜質(zhì)塊的顏色，可實現(xiàn)快速準(zhǔn)確的塊吸收。
　　 (4)提出基于光流角度直方圖的前景運動流分割算法。由于光流角度聚類法耗時較長，本文還提出一種更快速的分割算法。首先將前景光流場角度信息轉(zhuǎn)化成灰度圖像，然后從灰度直方圖曲線中檢測出極大值點和極小值點，隨后將表示方向相近的極值點合并，獲取一組最終的極小值

6、點。最后，以該組極小值點為分割點實現(xiàn)前景運動流分割。相比于聚類方法，該算法無需循環(huán)聚類，處理速度明顯提高。此外，分割點選擇的準(zhǔn)確度高，有效抑制了雜質(zhì)塊的出現(xiàn)。
　　 (5)針對群體目標(biāo)密度估計提出一種多特征分析方法，密度估計與分類是分析運動群體的最有效手段。由于現(xiàn)有的單一特征估計法準(zhǔn)確率不高，本文提出多特征估計，從每條運動流中提取四種特征量，其中前景面積和邊緣長度從像素層面反映了群體密度，零階正交矩和灰度共生矩陣的紋理特征從更高

7、級層面反映群體密度。然后采用多元線性回歸訓(xùn)練特征向量與密度等級的關(guān)系，并確定各個特征量在密度估計中的權(quán)重，最終實現(xiàn)群體密度估計與分類。相比于其他只采用一種特征量的密度估計的方法，本算法估計準(zhǔn)確率提高了約十個百分點，而且本算法無需將圖像分割成許多小塊處理，所以算法處理速度明顯提高。
　　 (6)針對密集群體密度估計，提出一種基于萬有引力邊緣檢測的新算法。密集群體中存在大量遮擋，給群體分析造成巨大困難?，F(xiàn)在仍然缺少解決遮擋問題的方法