本文關(guān)鍵詞：視頻監(jiān)控目標(biāo)的跟蹤與識(shí)別研究，由筆耕文化傳播整理發(fā)布。

【摘要】：視頻監(jiān)控系統(tǒng)利用計(jì)算機(jī)視覺和圖像處理技術(shù)對(duì)攝像頭采集的視頻圖像進(jìn)行目標(biāo)的檢測(cè)、跟蹤以及識(shí)別等，為監(jiān)控者提供關(guān)鍵信息，是實(shí)現(xiàn)“智慧城市”、“平安城市”的重要手段。近年來，學(xué)者們對(duì)視頻監(jiān)控系統(tǒng)中的視頻分析算法進(jìn)行了大量的研究，并取得了一些成果，對(duì)視頻監(jiān)控系統(tǒng)的應(yīng)用與推廣起到了促進(jìn)作用。但是，由于存在監(jiān)控環(huán)境和監(jiān)控目標(biāo)動(dòng)態(tài)變化（如光照變化、攝像機(jī)運(yùn)動(dòng)、目標(biāo)姿態(tài)尺度變化等）的問題，設(shè)計(jì)實(shí)時(shí)魯棒性的視頻分析算法仍然是該研究領(lǐng)域的一個(gè)熱點(diǎn)和難點(diǎn)。本文針對(duì)視頻監(jiān)控系統(tǒng)中的核心技術(shù)，包括：光照變化的預(yù)處理、目標(biāo)檢測(cè)與跟蹤、目標(biāo)識(shí)別等，進(jìn)行了系統(tǒng)深入的研究，取得的創(chuàng)新性成果如下： （1）針對(duì)復(fù)雜場(chǎng)景中光照變化對(duì)目標(biāo)跟蹤與識(shí)別的影響，提出一種基于局部特征與全局特征聯(lián)合的目標(biāo)光照變化自適應(yīng)抑制算法（Local-to-Global AdaptiveSupressing of Illumination，LGA）。傳統(tǒng)的用于抑制光照變化的圖像增強(qiáng)算法分為兩種：基于局部特征的增強(qiáng)算法和基于全局特征的增強(qiáng)算法，兩者往往是孤立存在的�；诰植刻卣鞯脑鰪�(qiáng)算法處理非均勻光照效果好，但是運(yùn)算復(fù)雜，處理后圖像灰度動(dòng)態(tài)范圍被壓縮，對(duì)灰度級(jí)的利用率較差；基于全局特征的增強(qiáng)算法計(jì)算簡(jiǎn)單，對(duì)灰度動(dòng)態(tài)范圍的拉伸效果明顯，能夠較充分地利用圖像灰度級(jí)，但是忽略了圖像細(xì)節(jié)，容易丟失圖像紋理、邊緣等有利于跟蹤和識(shí)別的特征。本章提出的LGA算法將基于局部特征和基于全局特征的圖像增強(qiáng)方法融合，能夠發(fā)揮兩者的優(yōu)勢(shì)。算法首先對(duì)基于空間變換亮度映射（space-variant luminance map，SVLM）的局部對(duì)比度增強(qiáng)算法進(jìn)行改進(jìn)，，利用全局特征構(gòu)建自適應(yīng)的伽馬校正系數(shù)查找表，提高了SVLM算法的計(jì)算效率，實(shí)現(xiàn)了圖像的局部光照變化抑制；然后利用區(qū)域相似性直方圖自適應(yīng)獲取直方圖平滑系數(shù)，有效提高灰度級(jí)的利用率的同時(shí)控制增強(qiáng)程度，防止過度增強(qiáng)，實(shí)現(xiàn)了全局增強(qiáng)。實(shí)驗(yàn)表明，該算法既能保證對(duì)光照變化的抑制效果，又能夠保證圖像增強(qiáng)的實(shí)時(shí)性，滿足視頻圖像光照處理系統(tǒng)的要求。 （2）針對(duì)視頻跟蹤中目標(biāo)姿態(tài)變化導(dǎo)致跟蹤漂移的問題，提出一種基于在線極端學(xué)習(xí)機(jī)與粒子濾波級(jí)聯(lián)的實(shí)時(shí)目標(biāo)跟蹤算法�；诜诸惖哪繕�(biāo)跟蹤算法將跟蹤問題轉(zhuǎn)化為分類問題，在目標(biāo)和背景樣本充足的情況下能夠適應(yīng)目標(biāo)姿態(tài)變化，并抑制模板漂移。本文提出的基于在線極端學(xué)習(xí)機(jī)與粒子濾波級(jí)聯(lián)的實(shí)時(shí)目標(biāo)跟蹤模型具有以下優(yōu)勢(shì)：首先極端學(xué)習(xí)機(jī)輸入層網(wǎng)絡(luò)參數(shù)隨機(jī)分配，輸出層網(wǎng)絡(luò)參數(shù)只需通過最小二乘算法獲得，無需通過復(fù)雜的迭代算法求解，訓(xùn)練速度快，能夠滿足跟蹤系統(tǒng)實(shí)時(shí)性的要求；其次在線極端學(xué)習(xí)機(jī)能夠?qū)⒂?xùn)練樣本成個(gè)或成批添加進(jìn)網(wǎng)絡(luò)，無需重新訓(xùn)練，對(duì)目標(biāo)姿態(tài)的變化具有很好的適應(yīng)性，能夠提高目標(biāo)分類的精度，獲得更加可靠的置信度，進(jìn)而實(shí)現(xiàn)目標(biāo)跟蹤精度的提升；再次在目標(biāo)定位階段，利用粒子濾波算法產(chǎn)生有限數(shù)目的候選樣本可提高計(jì)算效率，并且通過計(jì)算分類結(jié)果的后驗(yàn)概率進(jìn)一步降低了分類誤差對(duì)定位精度的影響。實(shí)驗(yàn)結(jié)果表明，本文算法在計(jì)算效率和跟蹤性能上優(yōu)于目前較為先進(jìn)的跟蹤算法，是一種有效的實(shí)時(shí)跟蹤算法。 （3）為了獲得穩(wěn)定的跟蹤效果，針對(duì)在線極端學(xué)習(xí)機(jī)與粒子濾波級(jí)聯(lián)的算法無法判別目標(biāo)丟失以及無法適應(yīng)目標(biāo)尺度的變化的問題，提出一種基于視覺字典的在線極端學(xué)習(xí)機(jī)目標(biāo)檢測(cè)和跟蹤算法。算法將視覺字典作為檢測(cè)器，將在線極端學(xué)習(xí)機(jī)與粒子濾波級(jí)聯(lián)算法作為跟蹤器，利用互反饋技術(shù)提高跟蹤性能。跟蹤器主要實(shí)現(xiàn)目標(biāo)跟蹤，同時(shí)為視覺字典的構(gòu)建和更新提供樣本；檢測(cè)器主要實(shí)現(xiàn)目標(biāo)丟失判別和目標(biāo)丟失后重新檢測(cè)。為了提高目標(biāo)丟失判別的準(zhǔn)確性，提高抗局部遮擋的能力，在目標(biāo)檢測(cè)器中提出一種局部隨機(jī)抽樣的直方圖相似性度量技術(shù)，采用局部劃分思想和Noisy-NR模型計(jì)算候選樣本與訓(xùn)練樣本特征直方圖的相似性，減少了傳統(tǒng)直方圖匹配因受目標(biāo)局部遮擋影響造成的誤判。為了適應(yīng)目標(biāo)的尺度變化，在目標(biāo)未丟失時(shí)，利用Ransac算法獲得目標(biāo)的尺度變換系數(shù)并在新尺度下更新跟蹤器。實(shí)驗(yàn)結(jié)果表明，該算法能夠適應(yīng)目標(biāo)的尺度變化，檢測(cè)目標(biāo)丟失，提高跟蹤穩(wěn)定性。 （4）為了獲得具有光照、姿態(tài)、尺度不變性的視頻人臉識(shí)別系統(tǒng)，首先將前三個(gè)創(chuàng)新點(diǎn)應(yīng)用于視頻人臉識(shí)別系統(tǒng)中，提取具有光照不變性的多姿態(tài)多尺度人臉圖像；然后將圖像進(jìn)行尺度歸一化，并針對(duì)人臉的運(yùn)動(dòng)模糊，提出基于雙高斯模型的模糊檢測(cè)技術(shù)，用于剔除模糊人臉，提高人臉識(shí)別率；最后，針對(duì)人臉姿態(tài)變化導(dǎo)致識(shí)別率下降的問題，提出基于圖像集與概率外觀流形的視頻人臉識(shí)別算法。該算法利用概率外觀流形算法獲得測(cè)試集中所有人臉姿態(tài)的準(zhǔn)確劃分，形成測(cè)試集的姿態(tài)流形，計(jì)算這些姿態(tài)流形與訓(xùn)練集中對(duì)應(yīng)的姿態(tài)流形之間的流形距離，選擇距離最小的類別作為測(cè)試集的目標(biāo)類別。算法的優(yōu)勢(shì)在于：利用概率外觀流形進(jìn)行姿態(tài)標(biāo)定能夠充分利用圖像之間的時(shí)域關(guān)系；利用圖像集而非單一圖像計(jì)算測(cè)試集與訓(xùn)練集的流形距離能夠適應(yīng)較大的姿態(tài)變化。實(shí)驗(yàn)結(jié)果表明，本算法優(yōu)于其他視頻人臉識(shí)別算法。
【關(guān)鍵詞】：視頻監(jiān)控系統(tǒng) 圖像增強(qiáng) 目標(biāo)跟蹤 目標(biāo)識(shí)別 極端學(xué)習(xí)機(jī) 概率外觀流形
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;TN948.6
【目錄】：

• 摘要5-7
• Abstract7-10
• 目錄10-13
• 圖序13-15
• 表序15-16
• 第1章 緒論16-30
• 1.1 研究背景與意義16-17
• 1.2 視頻監(jiān)控的目標(biāo)跟蹤與識(shí)別框架研究17-18
• 1.3 國內(nèi)外研究現(xiàn)狀18-25
• 1.3.1 視頻監(jiān)控系統(tǒng)的研究現(xiàn)狀18-20
• 1.3.2 主要視頻監(jiān)控算法的研究現(xiàn)狀20-25
• 1.4 存在的關(guān)鍵問題25-26
• 1.5 論文主要研究工作及創(chuàng)新性成果26-28
• 1.6 論文的章節(jié)內(nèi)容安排28-30
• 第2章 局部特征與全局特征聯(lián)合的光照變化自適應(yīng)抑制30-52
• 2.1 引言30-32
• 2.2 LGA 算法概述32-33
• 2.3 結(jié)合全局特征的局部對(duì)比度增強(qiáng)33-39
• 2.3.1 SVLM 局部對(duì)比度增強(qiáng)原理34-36
• 2.3.2 對(duì) SVLM 算法的改進(jìn)36
• 2.3.3 基于全局特征的 SVLM 算法伽馬系數(shù)自適應(yīng)校正36-39
• 2.4 結(jié)合局部特征的全局增強(qiáng)39-44
• 2.4.1 直方圖修正與平滑40-42
• 2.4.2 區(qū)域相似性直方圖平滑42-44
• 2.5 實(shí)驗(yàn)結(jié)果分析44-50
• 2.5.1 視頻圖像增強(qiáng)的客觀標(biāo)準(zhǔn)評(píng)價(jià)45-48
• 2.5.2 復(fù)雜光照下人臉檢測(cè)與識(shí)別應(yīng)用評(píng)價(jià)48-50
• 2.6 本章小結(jié)50-52
• 第3章 在線極端學(xué)習(xí)機(jī)與粒子濾波級(jí)聯(lián)的實(shí)時(shí)目標(biāo)跟蹤52-72
• 3.1 引言52-54
• 3.2 OSELM-PFT 算法涉及的基本理論54-58
• 3.2.1 標(biāo)準(zhǔn) ELM 原理54-55
• 3.2.2 在線 ELM 原理55-56
• 3.2.3 傳統(tǒng)粒子濾波算法原理56-58
• 3.3 OSELM-PFT 算法概述58-60
• 3.4 OSELM-PFT 算法設(shè)計(jì)60-63
• 3.4.1 OSELM-PFT 算法的分類器設(shè)計(jì)60-62
• 3.4.2 OSELM-PFT 目標(biāo)定位算法設(shè)計(jì)62-63
• 3.5 實(shí)驗(yàn)結(jié)果與分析63-70
• 3.5.1 抗目標(biāo)姿態(tài)變化跟蹤64-66
• 3.5.2 抗目標(biāo)遮擋跟蹤66-67
• 3.5.3 快速運(yùn)動(dòng)目標(biāo)的跟蹤67-69
• 3.5.4 計(jì)算效率分析69-70
• 3.6 本章小結(jié)70-72
• 第4章 基于視覺字典的在線 ELM 目標(biāo)檢測(cè)和跟蹤72-84
• 4.1 引言72-73
• 4.2 BW-OSELM-PFT 算法概述73-74
• 4.3 BW-OSELM-PFT 目標(biāo)檢測(cè)和跟蹤74-79
• 4.3.1 視覺字典的構(gòu)建74-76
• 4.3.2 基于視覺字典的目標(biāo)丟失判別76-77
• 4.3.3 基于 Ransac 的尺度與旋轉(zhuǎn)系數(shù)計(jì)算77-78
• 4.3.4 視覺字典的更新78-79
• 4.4 實(shí)驗(yàn)結(jié)果分析79-83
• 4.4.1 目標(biāo)丟失判別79-80
• 4.4.2 目標(biāo)尺度變化80-81
• 4.4.3 抗遮擋性能81-82
• 4.4.4 計(jì)算復(fù)雜度分析82-83
• 4.5 本章小結(jié)83-84
• 第5章 具有光照、姿態(tài)和尺度不變特性的視頻人臉識(shí)別84-102
• 5.1 引言84-86
• 5.2 本章視頻人臉識(shí)別算法概述86-88
• 5.3 基于概率外觀流形的人臉識(shí)別算法88-92
• 5.3.1 概率外觀流形88-91
• 5.3.2 學(xué)習(xí)流形和轉(zhuǎn)移概率91
• 5.3.3 PAM 視頻人臉識(shí)別過程91-92
• 5.4 基于圖像集與概率外觀流形的視頻人臉識(shí)別方法92-97
• 5.4.1 模糊圖像判別和去除92-93
• 5.4.2 流形姿態(tài)變化標(biāo)定93-94
• 5.4.3 流形相似性度量94-97
• 5.5 實(shí)驗(yàn)結(jié)果分析97-99
• 5.5.1 Honda/UCSD 數(shù)據(jù)庫實(shí)驗(yàn)結(jié)果分析98-99
• 5.5.2 網(wǎng)絡(luò)數(shù)據(jù)庫實(shí)驗(yàn)結(jié)果分析99
• 5.6 本章小結(jié)99-102
• 第6章 總結(jié)與展望102-106
• 6.1 論文工作總結(jié)102-104
• 6.2 研究工作展望104-106
• 參考文獻(xiàn)106-120
• 攻讀博士學(xué)位期間發(fā)表學(xué)術(shù)論文與研究成果120-122
• 致謝122-124
• 作者簡(jiǎn)介124

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 彭國福;林正浩;;圖像處理中GAMMA校正的研究和實(shí)現(xiàn)[J];電子工程師;2006年02期

2 潘吉彥;胡波;張建秋;;抑制模板漂移的目標(biāo)跟蹤算法[J];電子學(xué)報(bào);2009年03期

3 汪榮貴;朱靜;楊萬挺;方帥;張新彤;;基于照度分割的局部多尺度Retinex算法[J];電子學(xué)報(bào);2010年05期

4 王睿;方勇;;一種圖像局部模糊檢測(cè)方法及其在被動(dòng)圖像認(rèn)證中的應(yīng)用[J];高技術(shù)通訊;2009年07期

5 侯晴宇;張偉;武春風(fēng);逯力紅;;改進(jìn)的均值移位紅外目標(biāo)跟蹤[J];光學(xué)精密工程;2010年03期

6 盧世軍;;生物特征識(shí)別技術(shù)發(fā)展與應(yīng)用綜述[J];計(jì)算機(jī)安全;2013年01期

7 夏楠;邱天爽;李景春;李書芳;;一種卡爾曼濾波與粒子濾波相結(jié)合的非線性濾波算法[J];電子學(xué)報(bào);2013年01期

8 孫景樂;唐林波;趙保軍;劉晴;;基于瑞利分布的粒子濾波跟蹤算法[J];電子與信息學(xué)報(bào);2013年04期

9 朱瑞奇;齊乃新;張勝修;曹立佳;;一種基于粒子濾波的改進(jìn)紅外目標(biāo)跟蹤算法[J];四川兵工學(xué)報(bào);2014年03期

10 劉汝杰,袁保宗,唐曉芳;一種新的基于聚類的多分類器融合算法[J];計(jì)算機(jī)研究與發(fā)展;2001年10期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 姜明新;智能視頻監(jiān)控中的目標(biāo)跟蹤技術(shù)研究[D];大連理工大學(xué);2013年

  本文關(guān)鍵詞：視頻監(jiān)控目標(biāo)的跟蹤與識(shí)別研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：357659