智能監(jiān)控視覺多目標跟蹤.pdf

1、本文研究戶外場景智能視頻監(jiān)控視覺多目標檢測和跟蹤技術，包括靜態(tài)場景下運動目標檢測、多目標濾波和數據關聯(lián)、目標粘連和遮擋處理。
　　 首先簡單介紹運動目標檢測常用的三類方法:光流法、時域差分法和背景減除法，通過分析選擇目前最流行的背景減除法進行重點研究。通過比較滑動平均、中值、混合高斯背景建模方法的實時性和檢測效果，本文選擇基于時域中值濾波的W4背景建模方法實現(xiàn)運動目標檢測?？紤]到原始的W4算法沒有陰影檢測、去除的步驟，本文選用一

2、種適合灰度圖像陰影檢測的算法，利用當前圖像與背景圖像的歸一化相關系數檢測結果中的陰影。
　　 其次，由于傳感器性能、背景擾動或人為干擾，檢測結果可能存在多個虛假目標，如果簡單將所有檢測結果作為真實目標，增加了誤檢率，易引起虛警。此外，目標數目、位置、速度均隨時間變化，確定真實目標數量、狀態(tài)信息，亦是多目標跟蹤的難點。為此，本文將序貫蒙特卡羅概率假設密度濾波器(SMC-PHDF)引入到視覺多目標跟蹤，實現(xiàn)對觀測場景中運動目標數量和

3、目標狀態(tài)的估計。
　　 傳統(tǒng)SMC-PHDF無法實現(xiàn)數據關聯(lián)，本文采用標記粒子及最近鄰聚類構建關聯(lián)決策，根據粒子標記經重采樣后的統(tǒng)計分布計算最大關聯(lián)概率實現(xiàn)當前目標與歷史航跡的時域關聯(lián)。實驗證明，在觀測場景中的目標數目、狀態(tài)隨時間變化且檢測結果存在虛警情況下，該算法能較好估計多目標數量和狀態(tài)，其時域關聯(lián)準確性比MHT算法更高。
　　 最后，針對目標發(fā)生粘連或相互遮擋的情況，本文提出記憶衰減隨機樣例分類器對合并團塊進行分割