视频监控目标的跟踪与识别研究.pdf

《视频监控目标的跟踪与识别研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、视频监控目标的跟踪与识别研究吴京辉2015年1月中图分类号：TN911.7UDC分类号：621.3视频监控目标的跟踪与识别研究作者姓名吴京辉学院名称信息与电子学院指导教师赵保军教授答辩委员会主席刘志文教授申请学位工学博士学科专业信号与信息处理学位授予单位北京理工大学论文答辩日期2015年1月ResearchonObjectTrackingandRecognitioninVideoSurveillanceCandidateName：WuJinghuiSchoolorDepartment：SchoolofInformat

2、ionandElectronicsFacultyMentor：Prof.ZhaoBaojunChair,ThesisCommittee：Prof.LiuZhiwenDegreeApplied：DoctorofEngineeringMajor：SignalandInformationProcessingDegreeby：BeijingInstituteofTechnologyTheDateofDefence：January,2015研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的

3、研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：北京理工大学博士学位论文摘要视频监控系统利用计算机视觉和图像处理技术对摄像头采集的视频图像进行目标的检测、跟踪以及识别等，为监控者提供关键信息，是实现“智慧城市”、“平安城市”的重要手段。近年来，学者们对视频监控系统中的视频分析算法进行了大量

4、的研究，并取得了一些成果，对视频监控系统的应用与推广起到了促进作用。但是，由于存在监控环境和监控目标动态变化（如光照变化、摄像机运动、目标姿态尺度变化等）的问题，设计实时鲁棒性的视频分析算法仍然是该研究领域的一个热点和难点。本文针对视频监控系统中的核心技术，包括：光照变化的预处理、目标检测与跟踪、目标识别等，进行了系统深入的研究，取得的创新性成果如下：（1）针对复杂场景中光照变化对目标跟踪与识别的影响，提出一种基于局部特征与全局特征联合的目标光照变化自适应抑制算法（Local-to-GlobalAdaptiveSup

5、ressingofIllumination，LGA）。传统的用于抑制光照变化的图像增强算法分为两种：基于局部特征的增强算法和基于全局特征的增强算法，两者往往是孤立存在的。基于局部特征的增强算法处理非均匀光照效果好，但是运算复杂，处理后图像灰度动态范围被压缩，对灰度级的利用率较差；基于全局特征的增强算法计算简单，对灰度动态范围的拉伸效果明显，能够较充分地利用图像灰度级，但是忽略了图像细节，容易丢失图像纹理、边缘等有利于跟踪和识别的特征。本章提出的LGA算法将基于局部特征和基于全局特征的图像增强方法融合，能够发挥两者的优

6、势。算法首先对基于空间变换亮度映射（space-variantluminancemap，SVLM）的局部对比度增强算法进行改进，利用全局特征构建自适应的伽马校正系数查找表，提高了SVLM算法的计算效率，实现了图像的局部光照变化抑制；然后利用区域相似性直方图自适应获取直方图平滑系数，有效提高灰度级的利用率的同时控制增强程度，防止过度增强，实现了全局增强。实验表明，该算法既能保证对光照变化的抑制效果，又能够保证图像增强的实时性，满足视频图像光照处理系统的要求。（2）针对视频跟踪中目标姿态变化导致跟踪漂移的问题，提出一种基

7、于在线极端学习机与粒子滤波级联的实时目标跟踪算法。基于分类的目标跟踪算法将跟踪问题转化为分类问题，在目标和背景样本充足的情况下能够适应目标姿态变化，并抑制模板漂移。本文提出的基于在线极端学习机与粒子滤波级联的实时目标跟踪模型具有以下优势：首先极端学习机输入层网络参数随机分配，输出层网络参数只需通过最小二I北京理工大学博士学位论文乘算法获得，无需通过复杂的迭代算法求解，训练速度快，能够满足跟踪系统实时性的要求；其次在线极端学习机能够将训练样本成个或成批添加进网络，无需重新训练，对目标姿态的变化具有很好的适应性，能够提高

8、目标分类的精度，获得更加可靠的置信度，进而实现目标跟踪精度的提升；再次在目标定位阶段，利用粒子滤波算法产生有限数目的候选样本可提高计算效率，并且通过计算分类结果的后验概率进一步降低了分类误差对定位精度的影响。实验结果表明，本文算法在计算效率和跟踪性能上优于目前较为先进的跟踪算法，是一种有效的实时跟踪算法。（3）为了获得稳定的跟踪效果，针对在线极