无重叠视野多摄像机目标跟踪关键技术研究

《无重叠视野多摄像机目标跟踪关键技术研究》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、隶韵大◆粤博士学位论文万方数据无重叠视野多摄像机目标跟踪关键技术研究研究生姓名：拯崖万方数据RESEARCHONKEYTECHNIQUEOFTAR-GETTRACKjNGACROSMULTIPLENON—OVERLAPPINGCAMERASADissertationSubmittedtoSoutheastUniversityFortheAcademicDegreeofDoctorofEngineeringBYY入NGBiaoSupervisedbySupervisedbyProfessorZHANGWei-gongSchoolofInstrumentScienceandEngineeri

2、ngSoutheastUniversityJuly2014万方数据东南大学学位论文独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。丑啤，垒乙里置东南大学学位论文使用授权声明东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内

3、容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布(包括刊登)论文的全部或部分内容。论文的公布(包括刊登)授权东南大学研究生院办理。一龆悯新签静K飞嗍龇哏勺百万方数据东南大学博士学位论文中文摘要摘要无重叠视野多摄像机监控是视频监控技术的未来发展方向，它通过协调重点区域的离散监控结果，实现了在较低成本下对大范围区域进行监控。无重叠视野多摄像机监控的基础是无重叠视野多摄像机目标跟踪，即在离散摄像机视野下对目标进行连续跟踪。实现目标连续跟踪的关键是准确地检测并跟踪进入单摄像机视野的目标，并将不同视野下的相同目标关联起来。本文在整合课题组已有成果的基础上，围绕无重

4、叠视野多摄像机目标跟踪中的若干关键技术展开系统性的研究。论文的主要内容及研究成果包括：(1)进行了运动目标检测算法的研究。目标检测算法由于应用环境的不同，对实时性与鲁棒性的要求不尽相同。针对实际应用的不同需求，研究了两种目标检测算法，分别强调了算法的实时性与鲁棒性。研究了一种基于分块连通域分析的实时目标检测算法，利用背景差分法检测前景，并对前景进行分块连通域分析以检测目标。算法利用分区域加权更新策略维持背景模型，从而使其对光照变化具有一定的鲁棒性。提出了一种鲁棒的分块RPCA目标检测算法，利用RPCA技术将输入帧分为低阶背景与稀疏前景，并对前景进行去噪、去阴影处理以提高目标检测的效果。试

5、验表明，实时性目标检测算法可以在普通监控环境下完成目标检测任务，在恶劣监控环境下，需要利用鲁棒性目标检测算法完成目标检测任务。(2)进行了单视野目标跟踪算法的研究。单视野目标跟踪算法由于应用环境的不同，对实时性与鲁棒性的要求不尽相同。针对实际应用的不同需求，研究了两种单视野目标跟踪算法，分别强调了算法的实时性与鲁棒性。研究了一种基于相邻帧重叠面积分析的实时目标跟踪算法，通过关联每一帧的检测结果对目标进行跟踪。算法利用目标相邻帧的重叠面积代替中心距离作为判断目标是否关联的依据，可以处理目标自遮挡情况。提出了一种基于改进粒子滤波与稀疏表示的鲁棒目标跟踪算法，采用改进粒子滤波作为跟踪框架，利用

6、分块稀疏表示构造目标的观测模型，从而实现在恶劣环境下对目标的鲁棒跟踪。试验表明，实时性目标跟踪算法可以在普通监控环境下完成目标跟踪任务，对于复杂监控环境，需要利用鲁棒性目标跟踪算法准确地跟踪目标。(3)进行了无重叠视野目标观测模型构建的研究。针对室内外环境中监控对象的区别，设计了两种观测模型。对于室内的行人目标，构造了一种基于分块主颜色特征与空间纹理特征的行人观测模型。其中，主颜色特征用来描述目标的宏观信息，空间纹理特征用来描述目标的细节信息。通过在主颜色匹配时引入标准化RGB距离，提高了主颜色特征对光照变化的鲁棒性。针对室外的车辆目标，构造了一种基于主颜色特征与SURF关键点特征的车辆

7、观测模型。考虑到不同车辆在车灯、门窗以及前脸部分存在的差异要大于车身图案的差异，本文采用SURF关键点特征代替空间纹理特征来描述车辆的细节信息。试验表明，室内行人观测模型具有较强的区分能力，相比而言车辆观测模型的区分能力稍弱，但也具备一定的区分能力。(4)进行了摄像机网络拓扑结构自适应学习算法的研究。传统的监督式拓扑学习算法需要大量人为标记的数据，大大增加了系统开销。针对这个不足，提出了一种无监督式的拓扑结构白适应学习算法。通过混合