視頻監(jiān)控系統(tǒng)中運(yùn)動目標(biāo)跟蹤算法的研究.pdf

1、視頻監(jiān)控是計(jì)算機(jī)視覺、模式識別以及人工智能等領(lǐng)域的一個(gè)重要的研究內(nèi)容，在安全監(jiān)控、智能交通、軍事導(dǎo)航等方面有著廣泛的應(yīng)用前景。運(yùn)動目標(biāo)檢測技術(shù)是視頻監(jiān)控系統(tǒng)中一個(gè)重要組成部分，其檢測結(jié)果直接影響著后續(xù)的目標(biāo)定位、識別和跟蹤以及運(yùn)動行為的理解和描述。國內(nèi)外大批學(xué)者投身于該領(lǐng)域的研究和探索，并取得了大量的成果。本文是在這些成果的基礎(chǔ)上，對視頻監(jiān)控系統(tǒng)中運(yùn)動目標(biāo)檢測算法及目標(biāo)跟蹤進(jìn)行了研究。
　　 本文主要介紹了視頻監(jiān)控技術(shù)中目標(biāo)檢測

2、和跟蹤的基本理論和關(guān)鍵技術(shù)。重點(diǎn)研究靜止背景下目標(biāo)的檢測和提取及運(yùn)動目標(biāo)跟蹤等方面內(nèi)容。
　　 在運(yùn)動目標(biāo)檢測方面，針對背景差分法，對常用的背景建模方法進(jìn)行了分析研究，并提出了一種基于混合高斯模型的改進(jìn)算法。傳統(tǒng)的混合高斯模型對于方差和均值采取相同的學(xué)習(xí)率，這樣不僅沒有考慮到方差和均值的不同特點(diǎn)而且容易使方差陷入偏小。為此本文提出針對方差與均值在模型更新中的不同特點(diǎn)采取不同的學(xué)習(xí)更新策略。對于方差的更新采用動態(tài)的學(xué)習(xí)方法，并集合

3、歷史數(shù)據(jù)對當(dāng)前幀的影響，提高了方差學(xué)習(xí)的收斂速度和精確度。仿真實(shí)驗(yàn)表明該方法不僅能準(zhǔn)確的進(jìn)行背景建模識別出運(yùn)動目標(biāo)，同時(shí)能夠有效的抑制噪聲。
　　 在運(yùn)動目標(biāo)跟蹤方面，對傳統(tǒng)的目標(biāo)跟蹤算法進(jìn)行分析和討論。在高斯非線性跟蹤濾波算法上針對跟蹤系統(tǒng)中由于弱觀測性，大的初始化誤差使的系統(tǒng)出現(xiàn)不穩(wěn)定、跟蹤收斂速度慢，魯棒性能差的問題，提出了基于觀測迭代插值濾波器。該算法在插值濾波器基礎(chǔ)上，利用觀測迭代過程來取代單純的近似條件估計(jì)進(jìn)行預(yù)測，

4、減小觀測函數(shù)線性化所帶來的誤差影響具有更精確的狀態(tài)和協(xié)方差估計(jì)性能。針對非高斯非線性化系統(tǒng)在基于序貫重要性抽樣及貝葉斯理論的粒子濾波能夠很好的處理。如何選取重要密度函數(shù)以減小粒子退化影響提高粒子濾波精度是粒子濾波的主要問題之一。本文采用基于觀測迭代的插值參考分布提高重要密度函數(shù)估計(jì)精度，減少了后驗(yàn)概率密度估計(jì)誤差，同時(shí)結(jié)合觀測系統(tǒng)的最近一次的量測，更好的匹配后驗(yàn)概率密度。
　　 在實(shí)際應(yīng)用方面，針對室內(nèi)運(yùn)動人設(shè)計(jì)了一種運(yùn)動目標(biāo)跟